A Koopman Operator-based NMPC Framework for Mobile Robot Navigation under Uncertainty

要約

モバイルロボットナビゲーションは、システムの不確実性によって挑戦することができます。
たとえば、地上摩擦は突然変化して滑りを引き起こす可能性があり、ノイズの多いセンサーデータは、フィードバック制御の不正確さにつながる可能性があります。
従来のモデルベースの方法は、そのようなバリエーションを考慮すると制限される場合があり、さまざまな種類の不確実性から脆弱になります。
これに対処する1つの方法は、Koopmanオペレーターを使用して学習した予測モデルを非線形モデル予測制御（NMPC）に活用することです。
このホワイトペーパーでは、確率的摂動を伴うアフィン入力システムを正確に予測できる揚げた双線形モデルを使用したNMPC問題の定式化と解決策を説明します。
システムの制約はKoopmanスペースで定義されていますが、最適化の問題は状態空間で解決され、計算の複雑さを減らします。
システムのKoopmanオペレーターを推定するためのトレーニングデータは、ランダム化制御入力を介して与えられます。
開発されたメソッドの出力により、障害物が入力された環境を閉めるナビゲーション制御が可能になります。
提案された方法の有効性は、添加剤の確率的速度摂動を備えた車輪付きロボット、現実的なデジタルツインロボットによるガゼボシミュレーション、および真のダイナミクスの知識なしに物理的なハードウェア実験を使用して数値シミュレーションを通じてテストされています。

要約(オリジナル)

Mobile robot navigation can be challenged by system uncertainty. For example, ground friction may vary abruptly causing slipping, and noisy sensor data can lead to inaccurate feedback control. Traditional model-based methods may be limited when considering such variations, making them fragile to varying types of uncertainty. One way to address this is by leveraging learned prediction models by means of the Koopman operator into nonlinear model predictive control (NMPC). This paper describes the formulation of, and provides the solution to, an NMPC problem using a lifted bilinear model that can accurately predict affine input systems with stochastic perturbations. System constraints are defined in the Koopman space, while the optimization problem is solved in the state space to reduce computational complexity. Training data to estimate the Koopman operator for the system are given via randomized control inputs. The output of the developed method enables closed-loop navigation control over environments populated with obstacles. The effectiveness of the proposed method has been tested through numerical simulations using a wheeled robot with additive stochastic velocity perturbations, Gazebo simulations with a realistic digital twin robot, and physical hardware experiments without knowledge of the true dynamics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google