基于 Koopman 算子理论的软体多指夹爪在线建模与控制

软体夹爪因其柔韧性与灵巧性，正于各类应用中获得越来越多的关注。然而，与软体机器人相关的无限维特性与非线性，给软体夹爪执行抓取任务的建模与闭环控制带来了挑战。为解决该问题，已有数据驱动方法被提出。多数数据驱动方法依赖于在仿真或离线状态下的密集模型学习，因此难以泛化至未经显式训练的不同场景，以及需要在线控制的物理机器人测试中。本文提出一种在线建模与控制算法，利用 Koopman 算子理论在每个时间步实时更新对底层动态的估计模型。所学且持续更新的模型随后被嵌入至在线模型预测控制（MPC）结构中，并部署于软体多指机器人夹爪上。为评估性能，我们首先在不同数据集上将本方法的预测精度与其他模型提取方法进行比较。接着，利用一个软体三指夹爪对初始时控制器未知的各种形状与重量的物体进行抓取，对该在线建模与控制算法开展实验测试。结果表明，采用所提方法抓取不同物体具有较高的成功率。示例试验可于 https://youtu.be/i2hCMX7zSKQ 观看。