Koopman Control Factorization: Data-Driven Convex Controller Design for a Class of Nonlinear Systems
本文提出Koopman控制分解,通过半定规划凸优化设计反馈控制器,实现非线性系统(如倒立摆)的快速、可验证稳定,无需近似。
2025-10-06 cs.SY eess.SY
Polynomial Parametric Koopman Operators for Stochastic MPC
Massachusetts Institute of Technology(麻省理工学院);Johns Hopkins University(约翰斯·霍普金斯大学)
本文提出了一种基于多项式混沌展开的参数Koopman算子框架,用于随机模型预测控制,通过EDMD-DL方法从数据中学习模型,实现高效非线性SMPC问题求解。
2026-04-01 cs.SY eess.SY math.OC
Inverted Gaussian Process Optimization for Probabilistic Koopman Operator Discovery
University of California Davis(加州大学戴维斯分校)
本文提出iGPK方法,利用逆高斯过程优化和自动微分同时学习可观测函数与库普曼算子,实现概率化建模并提升对测量噪声的鲁棒性。
2025-11-10 cs.SY eess.SY
Learning deep Koopman operators with convex stability constraints
提出一种适用于二次规划的离散线性系统稳定性充分条件,通过基于控制屏障函数的投影梯度下降与循环内优化,在数据驱动的Koopman矩阵学习中强制施加渐近稳定性,性能接近SOTA且支持定制化。
2024-04-24 cs.SY eess.SY
System Norm Regularization Methods for Koopman Operator Approximation
McGill University(麦吉尔大学)
当考虑许多提升函数时,从数据近似Koopman算子在数值上具有挑战性。即使是低维系统也可能在高维提升空间中产生不稳定或病态的结果。本文将Koopman算子的两种近似方法--扩展动态模式分解(DMD)和带控制的DMD转化为带线性矩阵不等式约束的凸优化问题。渐近稳定性约束和系统范数正则化,然后纳入作为方法,以提高数值条件的Koopman运营商。具体地说,H ∞范数被用来惩罚Koopman系统的输入输出增益。然后应用加权函数来惩罚特定频率处的系统增益。这些约束和正则化器将双线性矩阵不等式约束引入到回归问题中,通过求解一系列凸优化问题来处理。使用飞机疲劳结构试验台和软机器人手臂的数据的实验结果突出了所提出的回归方法的优点。
2022-08-09 cs.LG cs.SY eess.SY
Linear Matrix Inequality Approaches to Koopman Operator Approximation
McGill University(麦吉尔大学)
被认为是回归问题,找到一个矩阵近似的Koopman运营商的数据。回归问题被表述为一个线性矩阵不等式(LMI)约束下的凸优化问题。这样做允许将额外的LMI约束纳入回归问题。特别是,渐近稳定性约束,正则化使用矩阵范数,甚至正则化使用系统范数可以很容易地纳入回归问题。
2021-10-18 cs.LG cs.SY eess.SY
Learning Koopman Operators with Control Using Bi-level Optimization
Pennsylvania State University(宾夕法尼亚州立大学)
针对带控制Koopman算子学习中传统单层优化模型鲁棒性、效率与长期精度不足的问题,提出结合长期动力学约束的双层优化框架联合学习嵌入映射与动力学,提升长时间域预测效果。
2023-11-05 cs.RO cs.SY eess.SY
Generalized bilinear Koopman realization from input-output data for multi-step prediction with metaheuristic optimization of lifting function and its application to real-world industrial system
Tokyo City University(东京都市大学);Kyushu University(九州大学);Hokkaido University(北海道大学);ISUZU Advanced Engineering Center Ltd.(五十铃高级工程中心有限公司)
本文提出了一种基于元启发式优化的输入输出双线性Koopman模型,用于提升多步预测性能,应用于柴油发动机空气路径控制系统。
2026-02-17 cs.SY eess.SY
The Effect of Sensor Fusion on Data-Driven Learning of Koopman Operators
用于系统辨识的字典方法通常依赖于一组测量来学习系统的支配动态。在本文中,我们研究如何融合输出测量与状态测量影响库普曼算子学习问题的字典选择过程。虽然以前的方法使用动态共轭显示在两个不同的数据空间(测量通道)的库普曼本征函数之间的直接联系,我们探讨的具体情况下,输出测量是非线性的,不可逆的系统状态的函数。这种设置反映了许多种类的物理系统的测量约束,例如,生物测量数据,其中一种类型的测量不直接转换为另一种。我们提出了输出约束Koopman算子(OC-KOs)作为一个新的框架来融合两个测量集。我们表明,OC-KO是有效的传感器融合证明,当学习一个Koopman算子,输出测量函数用于约束空间的潜在Koopman可观的和他们的特征函数。此外,可以嵌入低维输出测量,以通知高维模型的Koopman字典函数的选择。我们提出了两种算法,以确定直接从数据的OC-KO表示:直接最优化方法,同时使用状态和输出数据和顺序最优化方法。证明了两个最优化问题的解空间是等价的。我们用一个理论例子和两个数值模拟来说明这些发现。
2021-06-29 cs.SY eess.SY math.DS
Efficient Economic Model Predictive Control of Water Treatment Process with Learning-based Koopman Operator
本研究针对水处理过程运行优化问题,提出基于深度学习输入-输出Koopman模型的凸经济预测控制方法,规避非凸优化,在基准污水处理过程中实现了运行性能与计算效率的双重提升。
2024-07-14 cs.SY eess.SY
Extensions of the Path-integral formula for computation of Koopman eigenfunctions
本文扩展了基于路径积分的Koopman特征函数闭式计算框架,引入有限时间计算、放宽主特征值分布假设并支持鞍点系统,从而显著提升该方法的实际适用性。
2024-11-25 cs.SY eess.SY math.DS
Data-Driven Observability Decomposition with Koopman Operators for Optimization of Output Functions of Nonlinear Systems
当具有非线性动态的复杂系统实现输出性能目标时,只有一小部分状态动态会显著影响该输出。这些最小状态动态可以使用微分几何方法来确定非线性系统的可观测性,但该理论仅限于分析系统。在本文中,我们扩展了非线性可观测分解的概念,更一般的类的数据通知系统。我们采用Koopman算子理论,它封装在线性模型的非线性动力学,使我们能够弥合线性和非线性可观测性概念之间的差距。我们提出了一种新的算法来学习Koopman算子表示,捕获系统动态,同时确保输出性能测量是在其可观的跨度。我们表明,这种线性的,输出包容的Koopman模型的变换呈现出一个新的最小Koopman表示。这种表示只体现了原系统的非线性可观测分解的可观测部分。这一理论的一个主要应用是识别生物系统中与特定表型相对应的基因,即性能指标。我们模拟了两个生物基因网络,并证明了Koopman算子的可观测性可以成功地识别驱动每个表型的基因。我们预计我们的新系统辨识工具将有效地发现减少基因网络,驱动生物系统中的复杂行为。
2022-10-17 cs.SY eess.SY math.DG
Least-Squares Multi-Step Koopman Operator Learning for Model Predictive Control
Johns Hopkins University(约翰斯·霍普金斯大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出一种基于最小二乘多步Koopman算子学习的MPC方法,通过直接学习多步状态-控制映射,避免误差累积,提升长时间预测精度和闭环性能。
2026-01-17 cs.SY eess.SY math.OC
Koopman-based control using sum-of-squares optimization: Improved stability guarantees and data efficiency
Institute for Systems Theory and Automatic Control, University of Stuttgart(斯图加特大学系统与自动控制研究所)
该研究利用 SafEDMD 构建带误差界的数据驱动双线性代理模型,并通过 SOS 优化设计有理控制器,为未知非线性系统提供更大吸引域、更高数据效率和闭环稳定性保证。
2025-09-27 cs.SY eess.SY math.OC
Far-Field Minimum-Fuel Spacecraft Rendezvous using Koopman Operator and $\ell_2/\ell_1$ Optimization
提出了一种计算推力矢量航天器最小燃料远场交会问题近似解的方法。众所周知,对于远场交会,使用线性化的航天器交会方程可能不能给出足够精确的结果。特别地,当主动航天器和目标航天器之间的距离变得显著大于目标航天器和行星的重心之间的距离时,基于线性化的控制设计方法的精度可能显著下降。在本文中,我们使用一个非线性状态空间模型,它对应于更准确的描述动态比线性化模型,但在同一时间提出了已知的挑战,非线性控制设计。为了克服这些挑战,我们利用Koopman算子为基础的方法,其中的非线性航天器交会动力学被提升到一个更高维的空间,在该空间中的非线性动力学可以近似为一个线性系统,这是更适合于控制设计的目的比原来的非线性模型。基于提升后的线性系统,采用基于压缩感知的迭代递归最小二乘(IRLS)算法求解最小燃料控制问题。数值模拟表明所提出的基于Koopman算子的方法的有效性。
2020-09-29 cs.SY eess.SY
Online Learning Koopman operator for closed-loop electrical neurostimulation in epilepsy
电神经调节作为一种姑息治疗已越来越多地用于控制癫痫。然而,目前的神经调节通常实现预定的致动策略,并且缺乏自适应地调整刺激输入的能力。在这项工作中,植根于最优控制理论,我们提出了一个Koopman-MPC框架,用于癫痫的实时闭环电神经调节,它集成了i)基于深度Koopman算子的动力学模型,以预测癫痫EEG的时间演变与近似有限维线性动力学和ii)模型预测控制(MPC)模块,以设计最佳的癫痫发作抑制策略。将基于Koopman算子的线性动力学模型嵌入到自编码器神经网络的隐状态空间中,在线逼近和更新Koopman算子。Koopman算子的线性动力学性质保证了后续MPC控制优化问题的凸性。所提出的深度Koopman算子模型显示出比基线模型更大的预测能力(例如,向量自回归模型,基于核的方法和递归神经网络(RNN))在合成和真实的癫痫EEG数据。此外,与RNN-MPC框架相比,我们的Koopman-MPC框架可以在Jansen-Rit模型和癫痫模型中以更好的计算效率抑制癫痫发作动力学。Koopman-MPC框架为基于模型的闭环神经调节打开了一个新的窗口,并揭示了非线性神经动力学和反馈控制策略。
2022-08-20 cs.SY eess.SY q-bio.NC
Distributed Koopman Operator Learning for Perception and Safe Navigation
Chalmers University of Technology(查尔姆斯理工大学);Beijing Institute of Technology(北京理工大学);Politecnico di Milano(米兰理工大学)
本文提出一种结合模型预测控制与分布式Koopman算子学习的框架,用于在动态交通环境中实现安全高效的自主导航。
2026-01-05 cs.SY eess.SY
Data-to-Certificates (D2C): Koopman Supereigenfunctions for Stability, Safety, and Control
Clemson University(克莱姆森大学)
本文提出数据到证书(D2C)范式,直接学习Koopman超特征函数作为不等式证书,用于稳定性、安全性和控制,并通过几何与预解式方法实现数据驱动认证。
2026-10-02 cs.SY eess.SY math.OC
Data-driven MPC with terminal conditions in the Koopman framework
本文在Koopman框架下利用EDMD构建数据驱动模型,提出带终端条件的非线性MPC,严格证明递归可行性与实际渐近稳定性,并验证了控制器及终端设计流程的有效性。
2024-08-22 cs.SY eess.SY math.OC
Synthesizing Control Laws from Data using Sum-of-Squares Optimization
本研究结合Koopman算子理论、控制李雅普诺夫函数与平方和优化,提出一种跳过系统辨识的数据驱动多项式控制器综合方法,经小车倒立摆实验验证有效。
2023-07-03 cs.SY eess.SY math.DS
Data-Driven Observer Synthesis for Autonomous Limit Cycle Systems through Estimation of Koopman Eigenfunctions
Department of Chemical and Biomolecular Engineering, North Carolina State University(北卡罗来纳州立大学化学与生物分子工程系)
本文针对平面极限环系统,提出一种基于Koopman算子的数据驱动KKL观测器构造方法,将内射映射求解转化为最小二乘回归与核岭回归问题,并在Brusselator系统上验证了状态估计精度。
2025-09-20 cs.SY eess.SY
Koopman-based control of nonlinear systems with closed-loop guarantees
本文提出基于Koopman算子与SafEDMD的未知非线性系统数据驱动控制框架,通过鲁棒控制和平方和优化保证闭环稳定性与性能,并给出数值示例验证优势。
2025-08-08 cs.SY eess.SY math.OC
Koopman--Nemytskii Operator of Nonlinear Controlled Systems and Its Learning for Controller Synthesis
North Carolina State University(北卡罗来纳州立大学)
提出Koopman-Nemytskii算子,将非线性系统映射为再生核希尔伯特空间中的线性算子,实现基于数据的控制器综合,并保证预测误差有界。
2026-06-18 cs.SY eess.SY
Learning Stable Koopman Embeddings
Australian Center for Field Robotics(澳大利亚现场机器人中心);Sydney Institute for Robotics and Intelligent Systems(悉尼机器人与智能系统研究所);The University of Sydney(悉尼大学)
本文提出了一种新的数据驱动的学习非线性系统稳定模型的方法。我们的模型使用Koopman嵌入将原始状态空间提升到高维线性流形。有趣的是,我们证明了每个离散时间非线性收缩模型都可以在我们的框架中学习。所提出的方法的另一个显著优点是,它允许在Koopman嵌入和运营商联合无约束优化,同时通过稳定的线性系统的直接参数化,大大简化了所涉及的计算,以加强模型的稳定性。我们验证了我们的方法在模拟系统和分析我们的参数化相比,替代品的优势。
2021-10-13 cs.LG cs.SY eess.SY
Learning-based data-enabled moving horizon estimation with application to membrane-based biological wastewater treatment process
Nanyang Technological University(南洋理工大学);Nanyang Environment and Water Research Institute, Nanyang Technological University(南洋理工大学南洋环境与水研究院)
本文提出了一种无需显式建模的非线性系统数据增强移动时间窗估计方法,通过结合Koopman算子理论和Willems基本引理,利用神经网络直接从数据中学习提升函数和调度映射,构建轨迹表示,从而实现对非线性系统状态的实时估计和重构,并保证估计误差的稳定性。
2026-05-18 cs.SY eess.SY
Multi-Step Deep Koopman Network (MDK-Net) for Vehicle Control in Frenet Frame
Mechanical and Aerospace Engineering of University of California, Davis(加州大学戴维斯分校机械与航空航天工程学院)
本文提出了一种基于深度学习的Koopman建模方法,用于在Frenet框架内实现车辆控制,通过多步深度Koopman网络提升路径规划和跟随的控制性能。
2025-03-04 cs.LG cs.RO cs.SY
Finite-time Koopman Identifier: A Unified Batch-online Learning Framework for Joint Learning of Koopman Structure and Parameters
在本文中,一个统一的批量在线学习方法的介绍学习的线性表示的非线性系统动态使用Koopman算子。所提出的系统建模方法利用了一种新的增量Koopman为基础的更新法,检索存储在存储器中的一个小批量的样本,不仅最大限度地减少了瞬时Koopman算子的识别错误,但也识别错误的批次检索样本。梯度流的不连续修改的在线更新法律,以确保有限时间收敛下定义的一批数据,易于验证的条件。因此,这种统一的在线批处理框架允许执行联合样本和时域分析,以收敛Koopman算子的参数。更具体地说,它示出,如果所收集的小批量的样本保证的秩条件,然后在时域中的有限时间保证可以被认证和稳定时间取决于所收集的样本的质量被重用的更新法。此外,建议Koopman的更新法律的效率进一步分析表明,在连续时间的识别遗憾增长的次线性随时间。此外,为了避免由于选择不适当的Koopman可观测值集而导致学习损坏的动态,高层Meta学习器采用离散贝叶斯优化算法来获得操作员的可观测函数的最佳库。由于有限时间收敛的Koopman模型的每一组的可观察性是在存储数据的秩条件下保证的,每一组的可观察性的适应性可以获得基于所提出的框架中存储的样本上的识别误差,甚至没有实现任何控制器的基础上学习的系统。
2022-12-27 cs.SY eess.SY
On the Existence of Quadratic Control Lyapunov Functions for Koopman-Operator based Bilinear Systems
Technical University of Munich(慕尼黑工业大学);National University of Singapore(新加坡国立大学)
本文探讨了基于Koopman算子的双曲系统中二次控制Lyapunov函数的存在性,指出其在高维系统中限制性强,提出了一种二次约束二次规划方法并进行了凸半正定松弛。
2026-04-10 cs.SY eess.SY
Data-driven Koopman MPC using Mixed Stochastic-Deterministic Tubes
Imperial College London(帝国理工学院);Sargent Centre for Process Systems Engineering(萨金特过程系统工程中心)
本文提出一种数据驱动的随机MPC方法,利用Koopman算子与分布鲁棒优化,通过混合随机-确定性管道处理建模误差和扰动,确保非线性系统在约束下的调节,并给出有限样本误差界。
2025-10-24 cs.SY eess.SY
Data-Driven Convex Approach to Off-road Navigation via Linear Transfer Operators
针对越野最优导航控制问题,提出基于线性P-F算子的凸规划方法,结合Koopman算子对偶性实现数据驱动近似,可用于无显式模型场景,并在杜宾车模型导航中验证了有效性。
2023-05-01 cs.SY eess.SY
Deep Neural Koopman Operator-based Economic Model Predictive Control of Shipboard Carbon Capture System
Nanyang Technological University(南洋理工大学);School of Chemistry, Chemical Engineering and Biotechnology(化学、化学工程与生物技术学院);Nanyang Environment & Water Research Institute (NEWRI)(南洋环境与水研究所)
针对船载碳捕获系统,提出基于Koopman框架的深度神经Koopman算子建模与经济预测控制方法,所建时变参数模型可基于部分状态预测成本与输出,相关凸优化问题在线求解高效,在四种工况下显著提升经济性能与碳捕获率并保证安全运行。
2025-04-12 cs.LG cs.SY eess.SY
Reachability of Black-Box Nonlinear Systems after Koopman Operator Linearization
非线性动力系统的可达性分析是一项具有挑战性且计算量大的任务。相比之下,计算线性系统的可达状态通常可以在高维中有效地完成。在本文中,我们探讨了验证方法,利用这两类系统之间的连接的基础上的Koopman运营商的概念。Koopman算子将非线性系统的行为与嵌入高维空间的线性系统的行为联系起来,并增加了一组所谓的可观测变量。虽然新的动力系统具有线性微分方程,但初始状态集是用非线性约束定义的。由于这个原因,现有的方法线性系统的可达性不能直接使用。在本文中,我们提出了第一个可达性算法,处理这种未开发类型的可达性问题。我们的评估检查了几个优化,并显示所提出的工作流程是一个很有前途的途径验证非线性系统的行为。
2021-05-03 cs.SY eess.SY
Koopman System Approximation Based Optimal Control of Multiple Robots -- Part I: Concepts and Formulations
本文将Koopman算子理论应用于多机器人系统最优控制,构建非线性效用函数的线性/双线性逼近模型,提出在线迭代参数估计算法,并将非线性规划转化为线性规划以求解控制问题。
2023-05-05 cs.SY eess.SY
Koopman Modeling and Stabilization of Discrete-Time Nonlinear Control Systems: Bilinearity on a Reproducing Kernel Hilbert Space
Department of Chemical and Biomolecular Engineering, North Carolina State University(北卡罗来纳州立大学化学与生物分子工程系)
本文证明满足光滑性和正则性条件的离散时间非线性系统,在将状态和输入变量分别提升到再生核希尔伯特空间后,可精确表示为双线性动力学,并基于核平方和形式的Lyapunov函数提出镇定控制方法。
2026-06-09 cs.SY eess.SY math.OC
Koopman Kernel Regression
TU Munich(慕尼黑工业大学);LMU Munich(慕尼黑大学)
本文提出库普曼核回归(KKR)框架,通过构造库普曼不变再生核希尔伯特空间将非线性预测转化为线性时不变系统,并在较弱假设下给出收敛性与泛化误差界,实验表明其预测性能优于现有方法。
2024-01-16 cs.LG cs.SY eess.SY
Learning Koopman Models From Data Under General Noise Conditions
Eindhoven Technical University(埃因霍温理工大学);HUN-REN Institute for Computer Science and Control(匈牙利科学院计算机与控制研究所)
本文提出了一种新的非线性系统输入下Koopman模型识别方法,通过深度状态空间编码器和多重射击公式估计动力学和提升状态,同时包含创新噪声项以处理过程和测量噪声,方法统计一致且计算高效。
2026-05-10 cs.SY eess.SY
Safe Data-Driven Control and Dynamical Learning via Constrained Neural Architectures and Koopman Operators
Faculty of Engineering, King Saud University(沙特国王大学工程学院)
提出一个集成框架,结合神经常微分方程、测量诱导几何结构和Koopman算子理论,通过可计算的线性矩阵不等式保证数据驱动模型的稳定性,实现安全控制。
2026-05-23 cs.SY eess.SY
Data-Driven Optimal Control via Linear Transfer Operators: A Convex Approach
本文研究非线性系统的数据驱动最优控制。提出了一种带折扣费用函数的最优控制问题的凸形式。我们考虑了正贴现因子和负贴现因子下的最优现金流量。凸的方法依赖于提升非线性系统动力学的密度空间中使用线性Perron-Frobenius(P-F)算子。这种提升导致一个无限维的凸优化制定的最优控制问题。最优化问题的数据驱动近似依赖于使用多项式基函数的Koopman算子的近似。我们将近似的有限维最优化问题写成多项式优化,然后使用基于平方和的优化框架有效地解决。仿真结果证明了数据驱动的最优控制框架的有效性。
2022-02-03 cs.SY eess.SY math.FA
Robust Nonlinear Data-Driven Predictive Control for Mixed Vehicle Platoons via Koopman Operator and Reachability Analysis
Tsinghua University(清华大学);University of Michigan(密歇根大学);National University of Singapore(新加坡国立大学)
针对混合车辆队列中非线性动力学与噪声、扰动、攻击等不利因素,提出基于Koopman算子和矩阵zonotope可达集分析的鲁棒非线性数据驱动预测控制框架,并通过滚动时域优化实现安全最优控制,仿真验证其跟踪性能显著优于基线方法。
2025-11-06 cs.SY eess.SY
Incorporating ESO into Deep Koopman Operator Modelling for Control of Autonomous Vehicles
针对车辆系统建模问题,提出融合ESO的深度Koopman算子模型,结合MPC构建ESO-DKMPC控制器,经双移线仿真验证,其在线性与非线性区域的轨迹跟踪性能均优于传统LMPC和NMPC。
2024-05-16 cs.SY eess.SY
A Distributionally Robust Control Strategy for Frequency Safety based on Koopman Operator Described System Model
Tsinghua University(清华大学)
本文提出基于Koopman算子描述系统模型的分布鲁棒数据驱动紧急频率控制框架,以提高频率安全性和降低控制成本。
2024-11-07 cs.SY eess.SY
A Koopman Operator-based NMPC Framework for Mobile Robot Navigation under Uncertainty
Department of Electrical and Computer Engineering, University of California, Riverside(加州大学河滨分校电气与计算机工程系);Polytechnic School of Tunisia(突尼斯多技术学院);Institute of AI Industry Research, Tsinghua University(清华大学人工智能产业研究院)
针对系统不确定性导致传统模型方法脆弱的问题,提出基于Koopman算子学习的双线性模型NMPC框架,在Koopman空间定义约束并在状态空间求解优化,通过仿真与物理实验验证了其在未知动力学下的闭环导航有效性。
2025-04-29 cs.RO cs.SY eess.SY
An Optimal Control Formulation of Pulse-Based Control Using Koopman Operator
University of Oxford(牛津大学);University of Namur(那慕尔大学);University of Liège(列日大学)
本文提出利用Koopman算子解决单调双稳系统从任意初始点收敛到均衡点的控制问题,通过静态优化方法实现开环或闭环策略,并展示其在心脏细胞同步中的应用。
2018-06-28 cs.SY eess.SY math.OC
Efficient Reinforcement Learning using Linear Koopman Dynamics for Nonlinear Robotic Systems
School of Aeronautics and Astronautics, Purdue University(航空航天学院,普渡大学)
本文提出基于模型的强化学习框架,通过Koopman算子理论学习非线性机器人系统的线性提升动力学,并将其整合到actor-critic架构中以优化策略,实验显示在模拟和现实平台中样本效率和控制性能均优于基线方法。
2026-04-21 cs.RO cs.SY eess.SY
Introducing Coherent-Control Koopman Modeling to Reservoir Scale Porous Media Flow Studies
Harold Vance Department of Petroleum Engineering, Texas A&M University(德克萨斯农工大学哈罗德·万斯石油工程系);Texas A&M Energy Institute, Texas A&M University(德克萨斯农工大学能源研究所)
针对油藏流动实时控制中DMDc在状态转换下失效的问题,提出控制相干增量CCKM方法,在分布外和分布内场景下实现亚巴级误差,为实时油藏优化提供鲁棒代理建模。
2025-11-01 cs.SY eess.SY
DeePC vs. Koopman MPC for Pasteurization: A Comparative Study
Czech Technical University in Prague(布拉格捷克理工大学);Slovak University of Technology in Bratislava(布拉迪斯拉发斯洛伐克科技大学)
本文比较了DeePC与Koopman MPC在多变量过程控制中的性能,发现两者在约束控制和跟踪误差上表现相近,但Koopman MPC在选定成本下跟踪更紧密,而DeePC产生更平滑的输入轨迹。
2026-04-01 cs.SY eess.SY
Sample-Efficient Online Control Policy Learning with Real-Time Recursive Model Updates
本文提出递归Koopman学习(RKL),一种样本高效、轻量级的在线控制策略学习方法,通过实时递归模型更新,在模拟和硬件上仅需不到10%数据即可提升控制器合成效率与稳定性。
2025-09-10 cs.RO cs.SY eess.SY
DLKoopman: A deep learning software package for Koopman theory
Galois(Galois公司)
DLKoopman是一个基于深度学习的通用软件包,用于学习非线性动力系统的线性编码和动力学,支持状态与轨迹预测,并提供新评估指标和超参数搜索模块。
2023-06-23 cs.LG cs.SY eess.SY
Immersion-based model predictive control of constrained nonlinear systems: Polyflow approximation
在模型预测控制(MPC)框架中,控制输入通常通过在线反复求解最优化问题来计算。对于一般的非线性系统,在线最优化问题是非凸的,计算量大,甚至难以处理。在本文中,我们提出通过计算离散时间非线性系统的高维线性嵌入来规避这个问题。计算依赖于与非线性系统的浸入性有关的代数条件,并且可以离线实现。在高维线性模型的基础上,我们定义并求解了一个凸的在线MPC问题。我们还提供了一个解释我们的方法下的Koopman运营商的框架。
2021-03-30 cs.SY eess.SY math.OC
Koopman System Approximation Based Optimal Control of Multiple Robots -- Part II: Simulations and Evaluations
本研究针对三机器人系统最优控制问题,基于Koopman系统对非线性效用函数做线性与双线性逼近,验证了双线性逼近精度更高,且集中/分布式双线性控制方案均能达成控制目标并满足实时性要求。
2023-05-05 cs.SY eess.SY
A convex data-driven approach for nonlinear control synthesis
Sandia National Laboratories(桑迪亚国家实验室);Clemson University(克莱姆森大学);Georgia Institute of Technology(佐治亚理工学院)
我们考虑一类非线性控制综合问题的基础数学模型是不明确的。我们提出了一个数据驱动的方法来稳定系统时,只有样本轨迹的动态是可访问的。我们的方法是建立在基于密度函数的几乎处处稳定性证明,这是对偶的李雅普诺夫函数的动态系统。与基于李雅普诺夫的方法,密度函数导致一个凸的制定的联合搜索的控制策略和稳定性证书。这种类型的凸问题可以通过调用平方和(SOS)的机制来有效地解决。对于数据驱动的部分,我们利用的事实,对偶结果的稳定性理论的动力系统可以理解使用线性Perron-Frobenius和Koopman运营商。这种连接使我们能够使用数据驱动的方法来近似这些运营商结合SOS技术的凸制定控制合成。所提出的方法的有效性证明通过几个例子。
2020-06-28 cs.RO cs.SY eess.SY
A purely data-driven framework for prediction, optimization, and control of networked processes: application to networked SIS epidemic model
Payame Noor University(帕亚梅努尔大学);University of Virginia(弗吉尼亚大学)
网络是许多复杂现象的标志,在这些复杂现象中,不同代理之间的交织交互将简单的局部规则集转化为非线性涌现行为。虽然最近的一些研究揭示了网络结构和潜在的动态过程之间的关联,识别随机非线性动态过程仍然是一个突出的问题。在这里,我们开发了一个简单的数据驱动的框架,基于算子理论的技术来识别和控制随机非线性动态发生在大规模网络。所提出的方法不需要网络结构的先验知识,仅使用状态的两步快照的集合来识别潜在的动态。这种数据驱动的系统辨识是通过使用Koopman算子来找到线性演化的动态模式的低维表示来实现的。此外,我们使用全局线性Koopman模型来解决关键的控制问题,通过应用到模型预测控制(MPC)-通常,一个具有挑战性的命题时,适用于大型网络。我们表明,我们提出的方法解决了这一问题,将原来的非线性规划转化为一个更容易处理的优化问题,既凸,变量少得多。
2021-08-01 cs.AI cs.LG cs.SI
Residual Koopman Model Predictive Control for Enhanced Vehicle Dynamics with Small On-Track Data Input
State Key Laboratory of Industrial, Zhejiang University(工业-state key laboratory,浙江大学)
针对车辆轨迹跟踪中传统模型预测控制依赖精确模型且计算复杂的问题,提出残差Koopman模型预测控制(RKMPC),结合线性MPC与神经网络残差补偿,仅需20%训练数据即提升跟踪精度并降低横向误差11.7%-22.1%。
2025-08-05 cs.RO cs.SY eess.SY
Convex Optimization over Fixed Value Point Set of Quasi-Nonexpansive Random Operators on Hilbert Spaces
本文定义了一种新的优化框架,它包括了文献[1]-[2]中提出的优化框架作为特例。文献[1]-[2]中的凸优化包括随机网络上的集中优化和分布优化,本文定义的优化也是如此。在适当的假设下,文[2]中提出的算法几乎必然且均方收敛于最优化问题的解。
2019-11-25 cs.SY eess.SY math.OC