用于数据高效软体机器人模拟的物理信息分裂库普曼算子

与计算成本高昂且高度非线性的基于物理的模拟相比，库普曼算子理论为在线性框架内对非线性动力系统进行建模提供了一种强大的数据驱动技术。然而，用于软体机器人的基于库普曼算子的模型维度非常高，并且需要大量数据才能正确解析。受机器学习中物理信息技术的启发，我们提出了一种新颖的物理信息库普曼算子辨识方法，该方法提高了小数据集尺寸下的模拟精度。通过Strang分裂，该方法利用连续和离散库普曼算子近似，从轨迹和相空间数据中获取信息。该方法在一个腱驱动的软体机器人臂上进行了验证，在形状误差方面显示出比标准方法有数量级的改进。我们设想这种方法可以显著降低具有部分已知物理模型的系统对库普曼算子的数据需求，从而降低获取数据的成本。