基于微分动态规划的稀疏诱导最优控制
机器人学
2022-07-18 v2
摘要
最优控制是综合高动态运动的常用方法。通常，对控制输入使用 正则化以最小化能量消耗并保证控制输入的平滑性。然而，对于某些系统（如卫星），由于推进系统的工作方式，控制需要以稀疏突发的方式施加。本文研究了在最优控制解中诱导稀疏性的方法——即通过平滑的 与 Huber 正则化惩罚项。我们将这些损失项应用于最先进的基于 DDP 的求解器，创建了一系列稀疏诱导最优控制方法。我们分析并比较了不同损失项在诱导稀疏性方面的效果、其数值条件数、对收敛性的影响，并讨论了超参数设置。我们在典型动力学系统、卫星控制以及 NASA Valkyrie 人形机器人的仿真与硬件实验中展示了我们的方法。我们提供了方法与所有示例的 GitHub 实现以保证可复现性。
引用
@article{arxiv.2011.07325,
title = {Sparsity-Inducing Optimal Control via Differential Dynamic Programming},
author = {Traiko Dinev and Wolfgang Merkt and Vladimir Ivan and Ioannis Havoutis and Sethu Vijayakumar},
journal= {arXiv preprint arXiv:2011.07325},
year = {2022}
}
备注
7 pages, 11 figures, accepted at IEEE ICRA 2021. The first two authors contributed equally. Supplementary video: https://www.youtube.com/watch?v=YMXRZjFsqhc Code: https://github.com/ipab-slmc/sparse_ddp