論文の概要: RK-MPC: Residual Koopman Model Predictive Control for Quadruped Locomotion in Offroad Environments

• arxiv url: http://arxiv.org/abs/2604.04221v1
• Date: Sun, 05 Apr 2026 18:43:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.990539
• Title: RK-MPC: Residual Koopman Model Predictive Control for Quadruped Locomotion in Offroad Environments
• Title（参考訳）: RK-MPC:オフロード環境における四足歩行の残留クープマンモデル予測制御
• Authors: Sriram S. K. S. Narayanan, Umesh Vaidya,
• Abstract要約: Residual Koopman MPC (RK-MPC) はデータ駆動型モデル予測制御フレームワークである。 RK-MPCは、昇降座標のデータから学習したコンパクトな線形残留予測器を備えた名目テンプレートモデルを強化する。 RK-MPCは、非構造化環境における四重項のデータ駆動予測制御のための実用的なハードウェア検証経路を提供する。
• 参考スコア（独自算出の注目度）: 1.4610038284393168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents Residual Koopman MPC (RK-MPC), a Koopman-based, data-driven model predictive control framework for quadruped locomotion that improves prediction fidelity while preserving real-time tractability. RK-MPC augments a nominal template model with a compact linear residual predictor learned from data in lifted coordinates, enabling systematic correction of model mismatch induced by contact variability and terrain disturbances with provable bounds on multi-step prediction error. The learned residual model is embedded within a convex quadratic-program MPC formulation, yielding a receding-horizon controller that runs onboard at 500 Hz and retains the structure and constraint-handling advantages of optimization-based control. We evaluate RK-MPC in both Gazebo simulation and Unitree Go1 hardware experiments, demonstrating reliable blind locomotion across contact disturbances, multiple gait schedules, and challenging off-road terrains including grass, gravel, snow, and ice. We further compare against Koopman/EDMD baselines using alternative observable dictionaries, including monomial and $SE(3)$-structured bases, and show that the residual correction improves multi-step prediction and closed-loop performance while reducing sensitivity to the choice of observables. Overall, RK-MPC provides a practical, hardware-validated pathway for data-driven predictive control of quadrupeds in unstructured environments. See https://sriram-2502.github.io/rk-mpc for implementation videos.
• Abstract（参考訳）: 本稿では、リアルタイムのトラクタビリティを維持しながら、予測忠実性を向上する四足歩行のためのデータ駆動モデル予測制御フレームワークであるResidual Koopman MPC(RK-MPC)を提案する。 RK-MPCは、昇降座標のデータから学習したコンパクトな線形残差予測器を備えた名目テンプレートモデルを強化し、多段階予測誤差の証明可能な境界による接触変動や地形乱れによるモデルミスマッチの体系的な修正を可能にする。 学習された残差モデルは凸二次計画型MPCの定式化に埋め込まれ、500Hzで動作し、最適化に基づく制御の構造と制約処理の利点を保ちます。 我々はGazeboシミュレーションとUnitree Go1ハードウェア実験でRK-MPCを評価し、接触障害、複数の歩行スケジュール、草、砂利、雪、氷などのオフロード地形に挑戦する信頼性のあるブラインド・ロコモーションを実証した。 さらに,単項および$SE(3)$-structuredベースを含む他の観測可能な辞書を用いて,Koopman/EDMDベースラインと比較し,その残差補正により,観測可能なものの選択に対する感度を低減しつつ,多段階予測と閉ループ性能が向上することを示す。 全体として、RK-MPCは、非構造化環境における四重項のデータ駆動予測制御のための実用的なハードウェア検証経路を提供する。 実装ビデオについてはhttps://sriram-2502.github.io/rk-mpcを参照してください。

関連論文リスト

• Cost-Matching Model Predictive Control for Efficient Reinforcement Learning in Humanoid Locomotion [15.125805248577278]
  モデル予測制御(MPC)に基づく強化学習フレームワークにおいて,最適なヒューマノイド移動のためのコストマッチング手法を提案する。 高忠実度閉ループデータから得られる作用値関数を近似するために、遠心力学を用いたパラメータ化MPC定式化を訓練する。 その結果, モデルミスマッチと外乱に対するロコモーション性能とロバスト性の改善が示された。
  論文  参考訳（メタデータ） (2026-03-30T10:05:15Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Robust Model Predictive Control Design for Autonomous Vehicles with Perception-based Observers [5.388633782438152]
  本稿では、状態推定に使用されるディープラーニングに基づく知覚モジュールに固有の非ガウス雑音を明示的に扱う。 セットベースの状態推定と制約付きゾノトープを用いて、偏りのある重み付き不確かさをキャプチャする。 知覚認識型MPCは、重音条件下での安定かつ正確な制御性能を提供する。
  論文  参考訳（メタデータ） (2025-09-05T16:03:57Z)
• Deep Bilinear Koopman Model for Real-Time Vehicle Control in Frenet Frame [0.0]
  本稿では,カービリニアFrenetフレーム内の車両力学のモデリングと制御のための深いクープマン手法を提案する。 提案フレームワークは、深層ニューラルネットワークアーキテクチャを使用して、データからクープマン演算子とその関連する不変部分空間を同時に学習する。 提案した制御器は, ベースライン制御器と比較して追従誤差を著しく低減し, 組込み自動運転車システムにおけるリアルタイム実装に適していることを確認した。
  論文  参考訳（メタデータ） (2025-07-16T18:49:44Z)
• Unified Human Localization and Trajectory Prediction with Monocular Vision [64.19384064365431]
  MonoTransmotionはトランスフォーマーベースのフレームワークで、モノクロカメラのみを使用して、ローカライゼーションと予測タスクを共同で解決する。 両タスクを統合フレームワークで共同でトレーニングすることにより,ノイズの多い入力による実環境シナリオにおいて,我々の手法がより堅牢であることを示す。
  論文  参考訳（メタデータ） (2025-03-05T14:18:39Z)
• Mitigating Traffic Oscillations in Mixed Traffic Flow with Scalable Deep Koopman Predictive Control [11.428076811557437]
  接続された自動車両(CAV)と人力車両(HDV)の交通振動の緩和は、交通の安定性を高めるために重要である。 本研究では,この問題に対処するための適応型深層クープマン予測制御フレームワーク(AdapKoopPC)を提案する。 このフレームワークは、自然データから適応的に学習することで、高次元空間における線形系として複雑なHDVカー追従ダイナミクスを表現する、新しいディープクープマンネットワークであるAdapKoopnetを特徴としている。
  論文  参考訳（メタデータ） (2025-01-27T14:28:20Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
  予測可能なMDP抽象化(PMA)を提案する。 元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。 我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-02-08T07:37:51Z)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)

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。