Centroidal State Estimation based on the Koopman Embedding for Dynamic Legged Locomotion

要約

この論文では、動的脚運動のための予測モデルベースの制御戦略において重要な役割を果たす重心状態推定への新しいアプローチを紹介します。
私たちのアプローチでは、クープマン演算子理論を使用して、モデル構築に動的モード分解とディープラーニングを採用することで、ロボットの複雑な非線形ダイナミクスを線形システムに変換します。
両方のモデルの線形化精度と、高速および低速の両方の動的システム応答を捕捉する機能を評価します。
次に、推定目的に最適なモデルを選択し、それを移動地平線推定器内に統合します。
この推定器は、堅牢なリアルタイムの重心状態推定を容易にするために、凸二次プログラムとして定式化されます。
さまざまな動的歩行を実行する四足ロボットでの広範なシミュレーション実験を通じて、当社のデータ駆動型フレームワークは、非線形ダイナミクスに基づく従来の拡張カルマン フィルター技術を上回る性能を発揮します。
私たちの推定器は、非常に動的な動きにおける力/トルク測定ノイズによってもたらされる課題に対処し、重心状態を正確に回復し、複雑な機関車の動作に対するクープマンベースの線形表現の適応性と有効性を実証します。
重要なのは、2 つの移動パターン (トロットとジャンプ) でトレーニングされた動的モード分解に基づくモデルは、再トレーニングすることなく、異なる動き (バウンド) の重心状態を正常に推定できることです。

要約(オリジナル)

In this paper, we introduce a novel approach to centroidal state estimation, which plays a crucial role in predictive model-based control strategies for dynamic legged locomotion. Our approach uses the Koopman operator theory to transform the robot’s complex nonlinear dynamics into a linear system, by employing dynamic mode decomposition and deep learning for model construction. We evaluate both models on their linearization accuracy and capability to capture both fast and slow dynamic system responses. We then select the most suitable model for estimation purposes, and integrate it within a moving horizon estimator. This estimator is formulated as a convex quadratic program to facilitate robust, real-time centroidal state estimation. Through extensive simulation experiments on a quadruped robot executing various dynamic gaits, our data-driven framework outperforms conventional Extended Kalman Filtering technique based on nonlinear dynamics. Our estimator addresses challenges posed by force/torque measurement noise in highly dynamic motions and accurately recovers the centroidal states, demonstrating the adaptability and effectiveness of the Koopman-based linear representation for complex locomotive behaviors. Importantly, our model based on dynamic mode decomposition, trained with two locomotion patterns (trot and jump), successfully estimates the centroidal states for a different motion (bound) without retraining.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google