基于Koopman算子学习与非线性模型预测控制的运行时不确定性下移动多机器人导航
Mobile Multi-Robot Navigation under Runtime Uncertainty via Koopman Operator Learning and Nonlinear Model Predictive Control
- University of California, Riverside（加州大学河滨分校）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
本文提出基于Koopman算子学习与非线性模型预测控制的框架，解决移动多机器人导航中的运行时不确定性（如车轮打滑），实现目标到达与编队控制，并通过数值模拟验证有效性。
AI中文摘要：
在这项工作中，我们开发了一个非线性模型预测控制（NMPC）框架，该框架利用通过Koopman算子理论学习的动力学模型进行移动多机器人导航。我们使用一个提升的双线性Koopman模型来公式化并求解NMPC问题，该模型能够准确预测受扰动和不确定性影响的仿射输入系统。我们考虑了两种典型的多机器人导航问题：目标到达和编队控制。我们的方法的输出能够在充满障碍物的环境中实现闭环多机器人导航和编队控制，其中NMPC公式中使用的基于Koopman算子的模型处理运行时不确定性，即不同程度的随机车轮打滑。我们通过在不同环境中对受不同滑移量影响且不知道其真实动力学模型的车轮机器人进行大量数值模拟，验证了我们的方法在两种问题上的有效性。
英文摘要：
In this work, we developed a nonlinear model predictive control (NMPC) framework that employs learned dynamics via the Koopman Operator theory for mobile multi-robot navigation. We formulated and solved NMPC problems using a lifted bilinear Koopman-based model that accurately predicts affine input systems affected by perturbations and uncertainties. Two exemplary multi-robot navigation problems are considered: target reaching and formation control. The output of our method enables closed-loop multi-robot navigation and formation control in environments populated with obstacles, whereby the Koopman operator-based model used in the NMPC formulation addresses runtime uncertainties, namely, various degrees of random wheel slipping. We validated the effectiveness of our method for both problems via extensive numerical simulations in different environments with wheeled robots affected by different amounts of slip and without knowledge of their true dynamic models.
