Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2505.00354

帮助 | 高级搜索

计算机科学 > 机器人技术

arXiv:2505.00354 (cs)
[提交于 2025年5月1日 ]

标题: 多段软机器人控制的深度Koopman模型预测控制

标题: Multi-segment Soft Robot Control via Deep Koopman-based Model Predictive Control

Authors:Lei Lv, Lei Liu, Lei Bao, Fuchun Sun, Jiahong Dong, Jianwei Zhang, Xuemei Shan, Kai Sun, Hao Huang, Yu Luo
摘要: 软体机器人与传统刚性机器人相比,由于其多个部分使用软材料带来了灵活性和顺应性,在环境中的安全交互和灵巧操作具有优势。然而,由于其高维性、非线性、时变特性以及无限自由度的特点,实现精确动态控制(如轨迹跟踪和位置到达)一直是个挑战。为了解决这些挑战,我们提出了一种基于深度Koopman模型预测控制(DK-MPC)的框架来处理多段软体机器人。 我们首先采用深度学习方法结合采样数据来逼近Koopman算子,从而将软体机器人的高维非线性动力学线性化为有限维的线性表示。 其次,在模型预测控制框架内利用这个线性化模型来计算最优控制输入,以最小化期望状态轨迹与实际状态轨迹之间的跟踪误差。 对软体机器人“Chordata”进行的真实世界实验表明,DK-MPC能够实现高精度控制,展示了DK-MPC在未来软体机器人应用中的潜力。
摘要: Soft robots, compared to regular rigid robots, as their multiple segments with soft materials bring flexibility and compliance, have the advantages of safe interaction and dexterous operation in the environment. However, due to its characteristics of high dimensional, nonlinearity, time-varying nature, and infinite degree of freedom, it has been challenges in achieving precise and dynamic control such as trajectory tracking and position reaching. To address these challenges, we propose a framework of Deep Koopman-based Model Predictive Control (DK-MPC) for handling multi-segment soft robots. We first employ a deep learning approach with sampling data to approximate the Koopman operator, which therefore linearizes the high-dimensional nonlinear dynamics of the soft robots into a finite-dimensional linear representation. Secondly, this linearized model is utilized within a model predictive control framework to compute optimal control inputs that minimize the tracking error between the desired and actual state trajectories. The real-world experiments on the soft robot "Chordata" demonstrate that DK-MPC could achieve high-precision control, showing the potential of DK-MPC for future applications to soft robots.
主题: 机器人技术 (cs.RO) ; 系统与控制 (eess.SY)
引用方式: arXiv:2505.00354 [cs.RO]
  (或者 arXiv:2505.00354v1 [cs.RO] 对于此版本)
  https://doi.org/10.48550/arXiv.2505.00354
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Lei Lv [查看电子邮件]
[v1] 星期四, 2025 年 5 月 1 日 06:53:09 UTC (8,596 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.RO
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-05
切换浏览方式为:
cs
cs.SY
eess
eess.SY

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号