发表机构
Institute for Intelligent Systems and Robotics CNRS and Sorbonne University, Paris（智能系统与机器人研究所 法国国家科学研究中心及巴黎索邦大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
研究将腿部运动平衡控制的DCMs表述为柯普曼特征函数，特意寻找大特征值的不稳定特征对，通过真实机器人数据训练出数据驱动可观测量，能改善双足机器人对参考步行模式的跟踪，并与模型预测控制结合提供生存性约束。
AI 中文摘要
在腿部运动中，运动发散分量（DCMs）已成为平衡控制的特征状态。它们分离了动力学的不稳定模式，但在现有公式中，仅适用于如线性倒立摆等简化模型。本研究展示了如何将DCMs更普遍地表述为柯普曼特征函数。柯普曼分析通常针对接近零的特征值，而本研究特意寻找具有大特征值的不稳定特征对。由此产生的柯普曼DCMs是仅使用真实机器人数据训练的数据驱动可观测量。在真实双足机器人上，从一小时机器人数据中学到的DCMs改善了对参考步行模式的跟踪。还展示了与模型预测控制结合时，学到的DCMs如何提供基于状态的生存性约束。
英文摘要
In legged locomotion, divergent components of motion (DCMs) have emerged as characteristic states for balance control. They isolate the unstable mode of the dynamics but, in existing formulations, apply only to reduced models such as the linear inverted pendulum. In this study, we show how DCMs can be more generally formulated as Koopman eigenfunctions. Whereas Koopman analysis typically targets eigenvalues near zero, which capture conserved or slowly varying quantities, our investigation leads us to deliberately search for unstable eigenpairs with large eigenvalues. The resulting Koopman DCMs are data-driven observables trained using only real-robot data. On a real biped, DCMs learned from one hour of robot data improve tracking of reference walking patterns. We further show how learned DCMs provide state-based viability constraints when combined with model predictive control.
Comments12 pages, 4 figures
