基于学习动力学的四旋翼轨迹跟踪：系统与函数字典联合的 Koopman 学习方法
机器人学
2021-10-22 v1
摘要
非线性动力学效应对许多敏捷机器人系统的运行至关重要。基于 Koopman 的模型学习方法可在更高维提升双线性模型中捕捉这些非线性动力学系统效应，从而适于最优控制。然而，标准方法在模型学习前使用固定函数字典提升系统状态，导致高维模型难以实时控制。本文提出一种新方法，通过将 Koopman 模型嵌入神经网络架构，从数据联合学习函数字典与提升双线性模型。利用所学模型可便捷设计非线性 MPC。我们在多旋翼无人机上实验实现了该方法，用于低空敏捷轨迹跟踪，此时空气动力学地面效应影响系统行为。实验结果表明，基于学习的控制器在中高度下达到与基于标称动力学模型的非线性 MPC 相似性能。而在近地飞行 regime 中，标称控制器因未建模动力学效应而坠机，我们的学习方法能可靠跟踪轨迹，捕获了这些效应。
引用
@article{arxiv.2110.10341,
title = {Quadrotor Trajectory Tracking with Learned Dynamics: Joint Koopman-based Learning of System Models and Function Dictionaries},
author = {Carl Folkestad and Skylar X. Wei and Joel W. Burdick},
journal= {arXiv preprint arXiv:2110.10341},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2105.08036