Adaptive Koopman Model Predictive Control of Simple Serial Robots
German Research Center for Artificial Intelligence(德国人工智能研究中心)
本文提出自适应库普曼模型预测控制(KMPC),通过在线闭环反馈增量学习非线性系统动力学的线性表示,无需预先建模,并在1R和2R机器人上验证了其对力扰动和参数变化的泛化能力,优于静态KMPC和线性化MPC。
2025-07-02 cs.RO cs.SY eess.SY
Dimensionality Reduction with Koopman Generalized Eigenfunctions
University of Denver(丹佛大学);Department of Electrical and Computer Engineering at the Ritchie School of Engineering and Computer Science, University of Denver(丹佛大学里奇工程与计算机科学学院电气与计算机工程系)
本文提出利用Koopman广义特征函数构建低维拟线性表示,使可观测量数量与输入匹配,从而设计线性控制策略,并在四旋翼无人机上通过LQ控制器验证了其有效性与实时性。
2025-10-24 cs.SY eess.SY
Nonlinear PDE Constrained Optimal Dispatch of Gas and Power: A Global Linearization Approach
针对电-气综合能源系统中非线性偏微分方程约束的调度难题,提出基于Koopman算子理论和扩展动态模式分解的全局线性化天然气网络模型,并嵌入物理信息稳定性约束,首次在最优调度中考虑非线性气体动态,仿真验证了其有效性和安全性优势。
2024-09-02 cs.SY eess.SY
Koopman Bilinearization of Nonlinear Control Systems
Koopman算子自1931年由美籍法裔数学家Bernard Koopman提出以来,已被用作研究各个科学领域的有力工具,如遍历论,概率论,几何学和拓扑学。目前Koopman算子的应用主要集中在对遍历动力系统谱性质的刻画上。本文从非受迫动力系统出发,进一步研究控制系统,建立了系统的Koopman控制框架。具体地说,我们严格推导出一个微分方程系统管理的动态的Koopman运营商与控制系统,并表明所得到的系统是一个双线性系统上的无限维李群,这直接导致了全球双线性化的控制仿射系统。然后,通过将几何控制理论中的技术与无穷维微分几何相结合,这进一步为可控性分析提供了双重好处:de Rham微分算子对控制仿射系统可控性的表征以及将李代数秩条件扩展到无穷维系统。为了证明的适用性,我们进一步采用所建立的框架,开发的Koopman反馈线性化技术,其中,作为一个优点,放弃了可控性要求的系统被线性化,通过使用经典的反馈线性化技术。此外,值得一提的是,这项工作的一个显着特点是最大限度地利用内在的代数和几何性质的Koopman算子,而不是谱方法和遍历性假设的系统,这进一步证明了我们的工作的一个显着的优势和一个实质性的差异,提出和现有的研究Koopman算子。
2022-11-14 cs.SY eess.SY math.DS
Koopman-LQR Controller for Quadrotor UAVs from Data
针对四旋翼无人机非线性控制难题,提出基于Koopman算子理论与EDMD方法的数据驱动建模方案,并利用LQR设计控制器实现了系统的稳定与可控。
2024-06-25 cs.SY eess.SY
Differential Geometric Conditions for Koopman Linearizability of Control-Affine Systems
Aalto University(阿尔托大学)
提出控制仿射非线性系统存在Koopman线性变换必须满足的漂移与控制向量场的微分几何条件,并证明这些条件在控制不变流形上对弱Koopman线性化的充分性,以及加上额外条件后对可控线性系统Koopman线性化的充要性。
2026-06-12 cs.SY eess.SY math.OC
Efficient Optimal Path Planning in Dynamic Environments Using Koopman MPC
Department of Mechanical and Aerospace Engineering, University of California Davis(加州大学戴维斯分校机械与航空航天工程系)
针对动态环境下移动机器人路径规划,提出基于双线性Koopman实现的MPC框架,通过提升空间二次规划求解,速度比非线性MPC快320倍,兼顾最优性与计算效率。
2025-10-02 cs.RO cs.SY eess.SY
Model Predictive Control of a Vehicle using Koopman Operator
本文继续arXiv:1903.06103 [math.OC]的工作,其中通过高阶线性预测器(即Koopman算子)以纯粹数据驱动的方式近似非线性车辆模型。车辆系统通常具有许多非线性,例如刚体动力学、坐标系变换以及最重要的轮胎。这些非线性近似的状态空间的一个预定义的子集中的线性Koopman算子和用于线性模型预测控制(MPC)的设计在高维状态空间中的非线性系统动态线性发展。其结果是一个非线性MPC设计的线性方法。它表明,Koopman为基础的控制器是能够恢复从一个非常不寻常的状态的车辆,所有上述的非线性占主导地位。将该控制器与基于经典局部线性化的控制器进行了比较,并讨论了该方法的不足之处。
2021-03-08 cs.SY eess.SY math.OC
Deep Koopman Operator-Informed Safety Command Governor for Autonomous Vehicles
该研究针对自动驾驶车辆非线性建模难题,结合深度Koopman算子线性化方法与控制障碍函数构建安全指令调节器,通过硬件在环实验验证了模型保真度与横向稳定性提升效果。
2024-05-16 cs.SY eess.SY
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
Dictionary-free Koopman Predictive Control for Autonomous Vehicles in Mixed Traffic
本文提出无字典库普曼模型预测控制(DF-KMPC),通过行为视角和迭代算法直接构建数据驱动的线性表示,避免了提升函数选择与平衡状态更新问题,并在混合交通仿真中验证了其抑制交通波和提升跟踪性能的效果。
2025-04-08 cs.SY eess.SY math.OC
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
Learning the Koopman Eigendecomposition: A Diffeomorphic Approach
Technical University of Munich(慕尼黑工业大学)
我们提出了一种新的数据驱动的方法学习一类稳定的非线性系统的线性表示使用Koopman特征函数。通过正规化流学习非线性系统与其雅可比线性化之间的共轭映射,可以保证所学习的函数是一个自同构。使用这种同构,我们通过共轭系统的谱等价构造非线性系统的本征函数-允许构造非线性系统的线性预测。该学习器的普适性导致了非线性系统的Koopman特征函数的普适逼近。所开发的方法也是安全的,因为它保证了模型是渐近稳定的,无论表示精度如何。据我们所知,这是第一个缩小操作员,系统和学习理论之间差距的工作。我们的方法的有效性,通过模拟的例子。
2022-05-30 cs.LG cs.SY eess.SY
Analytical Large-Signal Modeling of Inverter-based Microgrids with Koopman Operator Theory for Autonomous Control
针对微电网非线性导致的大信号建模难题,本文基于Koopman算子理论设计观测函数,解析推导出保留一次与零控制级动态的大信号线性微电网模型,并利用LQI方法验证了其精确控制能力与通用性。
2023-04-19 cs.SY eess.SY
Adaptive Deep Koopman Operator for Vehicle Dynamics Modeling: A Physics-Informed and Tire-Force-Driven Approach
Chongqing University(重庆大学);Hanyang University(汉阳大学);Chongqing University of Technology(重庆理工大学)
针对深度库普曼算子在在线应用中因高维提升状态空间导致的秩亏问题,提出一种轮胎力驱动建模框架,通过嵌入7自由度动力学约束和物理信息变步长归一化最小均方算法,实现稳定在线更新,在CarSim和dSPACE硬件在环测试中验证了鲁棒精度与实时性。
2026-06-16 cs.SY eess.SY
Koopman-Based Nonlinear Identification and Model Predictive Control of a Turbofan Engine
University of Defence(国防大学)
本文提出基于Koopman算子的涡轮风扇发动机多变量控制方法,开发了物理基础组件级模型生成训练数据并验证控制器,采用改进的动态模式分解算法构建单个Koopman模型,设计两种控制器在不同飞行条件下评估性能,证明了Koopman模型在不同控制策略中的灵活性和AKMPC的鲁棒性优势。
2026-10-12 cs.LG cs.SY eess.SY
Vehicular Applications of Koopman Operator Theory -- A Survey
Koopman算子理论已被证明是解决非线性系统辨识和全局线性化问题的一种很有前途的方法。近一个世纪以来,一直没有有效的方法来计算应用工程目的的库普曼算子。最近引入的计算效率高的方法在流体动力学的背景下,这是基于系统动力学分解成一组正常模式的降序,克服了这个长期存在的计算障碍。Koopman算子的纯数据驱动性质使其有望捕获用于降阶模型生成和系统辨识的未知和复杂动态,通过这些降阶模型生成和系统辨识,可以利用线性控制技术的丰富机制。鉴于这一研究领域的持续发展和智能移动和车辆工程领域中存在的许多开放性问题,有必要对将Koopman算子理论应用于这一充满活力的领域的技术和开放性挑战进行调查。本文重点介绍了近年来出现的Koopman运营商的各种解决方案,特别是那些专注于移动应用的解决方案,从表征和组件级控制操作到车辆性能和车队管理。此外,对100多篇研究论文的全面审查突出了Koopman算子理论应用于各种车辆应用的广泛性,并对应用的基于Koopman算子的算法类型进行了详细分类。此外,本文还讨论了Koopman算子理论的理论方面,这些理论在很大程度上被智能移动和车辆工程界所忽视,但对解决这些领域的开放问题有很大的潜力。
2023-03-21 cs.RO cs.SY eess.SY
KEEC: Koopman Embedded Equivariant Control
University College London(伦敦大学学院)
提出KEEC方法,通过Koopman算子嵌入状态和向量场,简化控制策略并保持控制效果,在多个控制任务中表现优越。
2025-02-27 cs.AI cs.LG cs.SY
A Data-Driven Prescribed-Time Control Framework via Koopman Operator and Adaptive Backstepping
本文提出一种融合EDMDc数据驱动建模与指定时间自适应反步控制的框架,通过库普曼线性化处理模型误差并避免复杂度爆炸,在范德波尔振荡器上验证了用户指定时间内精确镇定且闭环信号有界。
2025-07-03 cs.SY eess.SY math.OC
Data Driven Online Learning of Power System Dynamics
随着电网中传感和通信技术的进步,来自电网的高频实时数据可以用作开发更好的监测能力的资源。在这项工作中,一个系统的方法的基础上,数据驱动的运营商的理论方法,包括Koopman运营商提出了在线识别的电力系统动态。特别地,提供了一种新的算法,其不同于任何先前存在的算法,在获取新的数据点时迭代地更新Koopman算子。所提出的算法有三个优点:a)允许实时监测的电力系统动态b)线性电力系统动态(这个线性系统通常是在一个更高的维度的特征空间,是不一样的线性化的基础非线性动态)和c)计算速度快,强度较低,当比较流行的扩展动态模式分解(EDMD)算法。所提出的算法的效率示出的IEEE 9总线系统使用合成数据的非线性模型和IEEE 39总线系统使用合成数据的线性化模型。
2020-03-10 cs.SY eess.SY
Practical Guidelines for Data-driven Identification of Lifted Linear Predictors for Control
本文针对基于 EDMD 的数据驱动提升线性预测器辨识提出实用指南,以改善其在控制设计中的可用性,并通过两个示例验证。
2024-08-02 cs.SY eess.SY
Computationally Efficient Data-Driven Discovery and Linear Representation of Nonlinear Systems For Control
Florida Institute of Technology(佛罗里达理工学院);Argonne National Laboratory(阿贡国家实验室)
本文提出一种基于Koopman算子理论和递归深度学习的非线性系统数据驱动辨识与线性化框架,在摆系统噪声数据仿真中表现出比自编码器基线更高的训练效率和准确性。
2023-09-08 cs.AI cs.SY eess.SY
Guarantees for data-driven control of nonlinear systems using semidefinite programming: A survey
本文综述无可利用数学模型的非线性系统中,基于有限数据表示并归结为 SDP 的严格保证数据驱动控制方法。
2023-11-03 cs.SY eess.SY math.OC