基于Koopman算子的四足机器人小跑线性模型预测控制
Koopman Operator Based Linear Model Predictive Control for Quadruped Trotting
AI总结：
本文提出利用Koopman算子在高维空间构建保留非线性的四足系统线性模型，并结合线性模型预测控制（LMPC），在四足机器人上实现了高保真跟踪和抗干扰能力。
摘要：
四足机器人的在线最优控制能够使其实时适应变化的输入和不断改变的条件。实现这一目标的常见方法是线性模型预测控制（LMPC），即在有限时域上构建一个二次规划（QP）问题，其包含二次代价和通过对运动方程进行线性化得到的线性约束，并在运行中求解。然而，模型线性化可能导致模型不准确。在本文中，我们使用Koopman算子在高维空间中创建四足系统的线性模型，从而保留了运动方程的非线性。然后使用LMPC，我们在四足机器人上展示了高保真跟踪和抗干扰能力。这是首个将Koopman算子理论用于四足运动LMPC的工作。
英文摘要：
Online optimal control of quadruped robots would enable them to adapt to varying inputs and changing conditions in real time. A common way of achieving this is linear model predictive control (LMPC), where a quadratic programming (QP) problem is formulated over a finite horizon with a quadratic cost and linear constraints obtained by linearizing the equations of motion and solved on the fly. However, the model linearization may lead to model inaccuracies. In this paper, we use the Koopman operator to create a linear model of the quadrupedal system in high dimensional space which preserves the nonlinearity of the equations of motion. Then using LMPC, we demonstrate high fidelity tracking and disturbance rejection on a quadrupedal robot. This is the first work that uses the Koopman operator theory for LMPC of quadrupedal locomotion.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
