Koopman NMPC：基于 Koopman 的控制仿射系统学习与非线性模型预测控制
机器人学
2021-05-18 v1 系统与控制
系统与控制
摘要
基于 Koopman 的学习方法有可能成为动力机器人系统的实用且强大的工具。然而，构造 Koopman 表示的常用方法试图学习提升的线性模型，无法捕捉许多机器人系统固有的非线性驱动效应。本文提出一种学习与控制方法，作为克服该局限的第一步。利用 Koopman 正则变换，控制仿射动力学可由提升的双线性模型表达。该学习模型用于非线性模型预测控制（NMPC）设计，其中双线性结构可被利用以提升计算效率。通过一个模拟平面四旋翼示例，突显了相较于现有基于 Koopman 方法对控制仿射动力学的益处。预测误差大幅降低，并实现了与具有完整模型知识的 NMPC 相近的闭环性能。
引用
@article{arxiv.2105.08036,
title = {Koopman NMPC: Koopman-based Learning and Nonlinear Model Predictive Control of Control-affine Systems},
author = {Carl Folkestad and Joel W. Burdick},
journal= {arXiv preprint arXiv:2105.08036},
year = {2021}
}