論文の概要: Whole-Body Safe Control of Robotic Systems with Koopman Neural Dynamics

• arxiv url: http://arxiv.org/abs/2603.03740v3
• Date: Thu, 19 Mar 2026 04:11:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.881745
• Title: Whole-Body Safe Control of Robotic Systems with Koopman Neural Dynamics
• Title（参考訳）: クープマンニューラルダイナミクスを用いたロボットシステムの全体安全制御
• Authors: Sebin Jung, Abulikemu Abuduweili, Jiaxing Li, Changliu Liu,
• Abstract要約: 我々は、データからKoopmanの埋め込みと演算子を学び、結果の線形モデルをSafe Set Algorithm (SSA)と統合するデータ駆動フレームワークを提案する。 我々は,Kinova Gen3 マニピュレータと Go2 を4倍にし,正確な追従と障害物回避を図った。
• 参考スコア（独自算出の注目度）: 20.955892282082793
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Controlling robots with strongly nonlinear, high-dimensional dynamics remains challenging, as direct nonlinear optimization with safety constraints is often intractable in real time. The Koopman operator offers a way to represent nonlinear systems linearly in a lifted space, enabling the use of efficient linear control. We propose a data-driven framework that learns a Koopman embedding and operator from data, and integrates the resulting linear model with the Safe Set Algorithm (SSA). This allows the tracking and safety constraints to be solved in a single quadratic program (QP), ensuring feasibility and optimality without a separate safety filter. We validate the method on a Kinova Gen3 manipulator and a Go2 quadruped, showing accurate tracking and obstacle avoidance.
• Abstract（参考訳）: 安全制約による直接非線形最適化は、しばしばリアルタイムに難易度が高いため、強非線形で高次元のダイナミクスを持つロボットの制御は依然として困難である。 クープマン作用素は、持ち上げ空間で非線形系を線型に表現する方法を提供し、効率的な線形制御を可能にする。 本研究では,データからKoopmanの埋め込みと演算子を学習し,結果の線形モデルをSafe Set Algorithm (SSA)と統合するデータ駆動フレームワークを提案する。 これにより、トラッキングと安全性の制約を1つの二次プログラム(QP)で解決し、個別の安全フィルタなしで実現可能性と最適性を確保することができる。 我々は,Kinova Gen3 マニピュレータと Go2 を4倍にし,正確な追従と障害物回避を図った。

関連論文リスト

• Scalable Data-Driven Reachability Analysis and Control via Koopman Operators with Conformal Coverage Guarantees [8.09931279904483]
  我々は、ニューラルネットワーク(NN)リフト関数でクープマン理論を用いて、力学の近似線形表現を学習する。 我々は、NN検証ツールを介して、クローズドループ到達可能なセットを元の状態空間にマップする。 高次元MuJoCoタスクの結果、既存の手法よりも到達可能な設定カバレッジ率、計算効率、保守性が向上した。
  論文  参考訳（メタデータ） (2026-01-03T05:31:08Z)
• Custom Non-Linear Model Predictive Control for Obstacle Avoidance in Indoor and Outdoor Environments [0.0]
  本稿では,DJI行列100のための非線形モデル予測制御(NMPC)フレームワークを提案する。 このフレームワークは様々なトラジェクトリタイプをサポートし、厳密な操作の精度を制御するためにペナルティベースのコスト関数を採用している。
  論文  参考訳（メタデータ） (2024-10-03T17:50:19Z)
• Data-Driven Stochastic Optimal Control in Reproducing Kernel Hilbert Spaces [4.722936792899906]
  本稿では拡散に代表される非線形制御-アフィン系の最適制御のための完全データ駆動方式を提案する。 非線形力学とステージコスト関数の両方が未知であり、制御ペナルティ関数と制約のみを提供するシナリオに焦点が当てられている。 数値計算の結果,自律型水中車両の深度制御など,多様な非線形制御タスクに対処できることが示されている。
  論文  参考訳（メタデータ） (2024-07-23T11:53:03Z)
• DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
  Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。 DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。 適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
  論文  参考訳（メタデータ） (2023-10-13T12:22:31Z)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• Deep Koopman Operator with Control for Nonlinear Systems [44.472875714432504]
  そこで我々は,Koopman組込み関数とKoopman Operatorを学習するためのエンドツーエンドのディープラーニングフレームワークを提案する。 まず、ニューラルネットワークを用いて埋め込み関数とクープマン演算子をパラメータ化し、Kステップ損失関数でエンドツーエンドに学習する。 次に,制御入力の非線形性をモデル化するために,非線形状態依存制御項を符号化する補助制御ネットワークを設計する。
  論文  参考訳（メタデータ） (2022-02-16T11:40:36Z)
• Towards Data-driven LQR with KoopmanizingFlows [8.133902705930327]
  本稿では,線形時間不変モデル(LTI)を連続時間非自律非線形力学のクラスで学習するための新しいフレームワークを提案する。 我々は、有意な持ち上げ座標を同時に学習しながら、制御において線形なクープマン作用素の有限表現を学習する。
  論文  参考訳（メタデータ） (2022-01-27T17:02:03Z)
• Chance-Constrained Trajectory Optimization for Safe Exploration and Learning of Nonlinear Systems [81.7983463275447]
  学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。 本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-09T05:57:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。