Koopman-MPC: 基于数据驱动的学习和控制四旋翼无人机研究（Matlab代码实现）

最新推荐文章于 2024-04-24 15:21:42 发布
最新推荐文章于 2024-04-24 15:21:42 发布
阅读量432 收藏 8
点赞数 12
文章标签： 学习 无人机 matlab
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_66436111/article/details/136340398
版权
本文提出了一种利用Koopman算子和扩展动态模态分解的算法，解决四旋翼无人机的非线性控制系统问题。通过非欧拉角的观测和SE(3)流形表示，EDMD模型能准确预测并推广至多验证集。设计的MPC控制器能实现实时跟踪，有效应对模型不确定性。
摘要由CSDN通过智能技术生成

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章下载

💥1 概述

摘要
本文提出了一种基于Koopman算子和扩展动态模态分解（EDMD）的四旋翼无人机学习和控制的新型数据驱动方法。基于常规方法如欧拉角（表示方向）构建EDMD的可观测量已知涉及奇异性。为解决这一问题，我们采用基于非线性系统底层拓扑的一组信息物理可观测量。我们使用旋转矩阵直接表示方向动态，并在SE(3)流形中获得非线性四旋翼动态的抬升线性表示。这种EDMD模型能够进行准确预测，并且能够推广到多个验证集。此外，我们基于提出的EDMD模型设计了一个线性模型预测控制器（MPC）来跟踪敏捷的参考轨迹。模拟结果显示，所提出的MPC控制器的运行速度可达100赫兹，并且能够以很高的准确性跟踪任意参考轨迹。

设计非线性机器人系统的最优控制器是一个具有挑战性的问题。目标是开发一个能够稳定系统并遵循参考轨迹的控制器，同时遵守由系统动态和执行器限制引起的约束。模型预测控制（MPC）是一种基于优化的方法，可以用于实现这一目标（Rawlings等人（2017）；Berberich等人（2022））。指定性能指标和约束的能力使得在设计非线性系统控制器时非常直观。尽管最近优化技术和计算能力的进步（Kouzoupis等人（2018）；Gros等人（2020））已经使得实时实现非线性模型预测控制器（NMPC）成为可能，但它们仍然需要足够精确的数学模型，并且无法处理模型不确定性。为了解决其中一些问题，Hou和Wang（2013）；Hewing等人（2019）；Krolicki等人（2022）已经开发了数据驱动技术，而Lusch等人（2018）；Han等人（2020）；Wang等人（2021）则开发了基于学习的方法来识别系统的潜在模型。然而，这些方法计算密集且不能应用于一般的高维非线性系统。为了克服与NMPC相关的问题，我们提出了一种基于Koopman算子的方法，用于学习受控非线性动态系统的线性预测器。Koopman算子控制一组可观测函数的演变，这些函数可以被解释为非线性。

📚2 运行结果

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

Sriram S.K.S. Narayanan ∗, Duvan Tellez-Castro ∗, Sarang Sutavani ∗, Umesh Vaidya 

🌈4 Matlab代码、数据、文章下载

wlz249
关注
  • 12
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
离散控制Matlab代码-koopman-realizations:用于从数据生成线性/双线性/非线性Koopman模型实现并构造MPC控制器
05-23
在koopman-realizations中，基于生成的Koopman模型构建MPC控制器，可以实现对系统的高效和鲁棒控制，尤其是在考虑系统约束和优化性能指标时。 5. **MATLAB实现**：项目的代码全部用MATLAB编写，这使得用户能够利用...
Koopman-RL:数据驱动的库普曼控制理论在强化学习中的应用！
03-28
通过这种方式，Koopman-RL可能提供了一种新颖的框架，结合了数据驱动的系统识别和强化学习的优化能力，有望在解决复杂动态环境问题时表现出色。对于希望在非线性系统控制和强化学习交叉领域进行研究的学者或工程师来...
【状态估计】非线性受控动力系统的线性预测器——Koopman模型预测MPC（Matlab代码实现）
weixin_46039719的博客
06-01 738
在数值实例中，以这种方式获得的线性预测器表现出优于现有线性预测器的性能，例如基于局部线性化或所谓的Carleman线性化的线性预测器。重要的是，构建这些线性预测器的过程完全是数据驱动的，而且非常简单——它归结为数据的非线性变换(提升)和提升空间中的线性最小二乘问题，可以很容易地解决大型数据集。我们特别关注模型预测控制(MPC)，并表明以这种方式设计的MPC控制器具有与具有相同数量的控制输入和相同维数的状态空间的线性动力系统的MPC相当的底层优化问题的计算复杂度。部分理论来源于网络，如有侵权请联系删除。
使用Koopman理论识别机器人动力学的非线性系统（Matlab代码实现）
weixin_46039719的博客
05-23 1751
然后使用Koopman动力学的提升状态采恢复非线性系统的状态(给定有关我们基函数的知识)，然后将我们估计的非线性系统的这种状态序列与系统的实际动力学进行比较。为了识别杜宾汽车模型的非线性动力学，我们使用Koopman算子理论首先从系统的仿真中提升数据，利用这些提升的数据来识别Koopman空间中的线性系统，然后恢复我们原始动力学的非线性向量场。算子可以描述非线性系统的可观测状态量在高维空间中的线性演化过程，可以将非线性问题转化为线性问题，对于非线性系统的研究有较大的价值。所示，原系统所在空间为。
使用Simulink跟踪四旋翼无人机轨迹的MPC控制算法详解
DriKlNeMe的博客
04-24 1136
除了介绍Simulink和MPC算法的应用外，我们还将关注四旋翼无人机轨迹跟踪中的一些关键问题。MPC算法需要提供目标轨迹和约束条件，通过对目标轨迹进行预测和优化，实现无人机的精确跟踪。MPC是一种基于模型的控制算法，通过建立机器人系统的数学模型，预测未来一段时间内的系统状态，并根据预测结果进行控制优化。在本文中，我们将重点介绍Simulink在四旋翼无人机轨迹跟踪中的应用，并结合模型预测控制（Model Predictive Control，MPC）算法进行详细解释和说明。
基于数据驱动的 Koopman 算子的递归神经网络模型线性化，用于纳米定位系统的预测控制研究（Matlab代码实现）
weixin_46039719的博客
02-28 1399
文献来源：摘要：最近的研究表明，纳米定位系统（例如压电致动器（PEAs））的非线性动力学可以被循环神经网络（RNNs）准确捕捉。这项技术的一个直接应用是用于精密定位的PEA系统控制：将非线性RNN模型线性化，然后应用模型预测控制（MPC）。然而，由于常用的线性化方法（例如泰勒级数），所得到的线性系统仅在线性化点的小邻域内保证准确，因此控制带宽和控制性能相当有限。为了解决这个问题，我们提出了一种基于Koopman算子的线性化方法，然后使用所得到的线性参数变化模型进行预测控制。
基于数据驱动的Koopman库普曼算子谱分析（Matlab代码实现）
weixin_46039719的博客
02-29 1011
该方法基于这样的观察：在保度测度的遍历设置中，与给定可观测量相关的谱测度的矩可以从该可观测量的单个轨迹中计算出来。本文提出了一种基于新的谐波分析、数据驱动方法来逼近Koopman算子谱的方法，能够计算谱的点部分和连续部分（并提供收敛保证），从而推广了[29]的方法。由于算子是酉的，测度支持在复平面中的单位圆上，这是一个非常理解的设置，最早的结果可以追溯到经典傅里叶分析。另一方面，类似DMD的方法不需要事先了解特征值，但它们的谱收敛性质不那么有利[19]，并且与平均方法类似，它们不系统地处理谱的连续部分。
循环码matlab中编程代码-KoopmanMPC_for_flowcontrol:基于Koopman模型预测控制的非线性流控制的数据驱动框架
05-21
Mezic（）撰写的论文“非线性流动的数据驱动的Koopman模型预测控制框架”之后，演示了Koopman-MPC框架在流量控制中的应用。 下图总结了Koopman-MPC框架： 根文件夹中的文件： 汉堡的例子 按照本文中的说明运行...
基于Koopman模型预测控制的非线性流控制的数据驱动框架A data-driven framework for control
最新发布
05-12
一种基于Koopman模型预测控制（MPC）的非线性流控制的数据驱动框架。内容概要包括Koopman算子的介绍、数据驱动控制框架的构建、非线性流控制的应用实例。适用人群为流体力学、控制理论以及数据科学领域的研究人员和...
matlab如何敲代码-soft-robot-koopman:DanielBruder，XunFu，R。BrentGillespie，C.Da
05-23
在MATLAB中编写代码是一项基础且重要的技能，尤其在软机器人和Koopman动力学的研究领域。本项目“soft-robot-koopman”由Daniel Bruder、Xun Fu、R. Brent Gillespie和C. Da等专家创建，旨在提供一个开源平台，帮助...
koopman operater kernel
10-20
We consider the application of Koopman theory to nonlinear partial differential equations. We demonstrate that the observables chosen for constructing the Koopman operator are critical for en- abling an accurate approximation to the nonlinear dynamics. If such observables can be found, then the dynamic mode decomposition (DMD) algorithm can be enacted to compute a finite-dimensional approximation of the Koopman operator, including its eigenfunctions, eigenvalues and Koopman modes. We demonstrate simple rules of thumb for selecting a parsimonious set of observables that can greatly improve the approximation of the Koopman operator. Further, we show that the clear goal in selecting observables is to place the DMD eigenvalues on the imaginary axis, thus giving an objective function for observable selection. Judiciously chosen observables lead to physically interpretable spatio-temporal features of the complex system under consideration and provide a connection to manifold learning methods. Our method provides a valuable intermediate, yet inter- pretable, approximation to the Koopman operator that lies between the DMD method and the com- putationally intensive extended DMD (EDMD). We demonstrate the impact of observable selection, including kernel methods, and construction of the Koopman operator on several canonical, nonlinear PDEs: Burgers’ equation, the nonlinear Schrödinger equation, the cubic-quintic Ginzburg-Landau equation and a reaction-diffusion system. These examples serve to highlight the most pressing and critical challenge of Koopman theory: a principled way to select appropriate observables
koopman算符在动力系统中的应用
09-27
复杂动力系统的分析一直是各个领域重点关注的问题。通过高通量实验或大尺度的模拟技术,我们可以获得系统的大量数据,因此各种各样的数据分析方法应运而生。本文讨论了利用Koopman算符的谱性质对不同动力系统的离散时间序列进行分析的算法。Koopman算符描述了动力系统可观测量的演化,通过分析其谱性质,可以得到其本征函数和Koopman模式。其中,本征函数可以用来对动力系统的相空间进行划分,从而将大量数据简化为几种具有典型特征的系统状态。Koopman模式则代表了系统随时间演化的某些特殊规律,对于理解系统演化有重要作用。
Koopman operator的理解
m0_55245520的博客
01-24 1044
最近在看论文时遇到一个新的知识，库普曼算子，于是上网查了一下什么时库普曼算子，库普曼算子有什么用。
基于Koopman的大气污染浓度预测
Kenji_Shinji的博客
10-13 1730
模型将系统状态在t时刻下的观测值xt作为模型输入，结合空间信息将数据组织成图结构gt，利用图表示方法将空间信息嵌入得到ft， ft经过自动编码器实现状态空间的映射，并在线性矩阵的作用下实现新坐标系下状态的演化。在新空间下，非线性时空动力系统转化为线性系统，可以使用线性系统的预测方法解决非线性时空动力系统的预测问题，如下图所示。可以看出，相较于传统的深度学习时序预测模型，基于 Koopman 理论的模型具有更简单的模型结构，但通过状态空间的变换，依然能够通过提取关键信息实现更高精度的预测结果。
四旋翼的非线性模型预测控制（MPC）
高能阿博特的博客
06-13 5559
本文将模型预测控制应用在四旋翼上进行了举例计算。读者需对四旋翼建模、模型预测控制有基本的了解。
四旋翼无人机simulink轨迹跟踪 mpc 文档解释说明
GFgQRyax的博客
03-28 497
摘要：本文基于Simulink平台，通过对四旋翼无人机轨迹跟踪与MPC控制技术的详细解释与分析，实现了对该领域的深入理解。首先介绍了四旋翼无人机的概念与发展现状，随后详细探讨了Simulink在无人机控制方面的优势与应用，重点关注了轨迹跟踪与MPC控制算法的原理与实现。本文基于Simulink的优势，对四旋翼无人机轨迹跟踪与MPC控制技术进行了详细解释与分析。标题：基于Simulink的四旋翼无人机轨迹跟踪与MPC控制技术分析。四、轨迹跟踪与MPC控制算法的原理与实现。二、四旋翼无人机的概念与发展。
Matlab仿真——基于NMPC的四旋翼无人机轨迹跟踪
weixin_55188463的博客
08-31 1481
Matlab仿真——基于NMPC的四旋翼无人机轨迹跟踪
koopman 算子
09-21
Koopman算子是一种在动力系统中用于描述非线性系统演化的数学工具。它是由荷兰数学家Bernard O. Koopman在1931年提出的。Koopman算子的应用在动力系统、控制理论和量子力学等领域有着重要的意义。 Koopman算子可以将系统的非线性动力学转化为线性算子的动力学。它的核心思想是将系统的状态转化为无限维空间上的函数，这些函数被称为动力系统的特征函数。通过Koopman算子作用在特征函数上，可以实现非线性系统演化的线性化描述。 使用Koopman算子可以将非线性动力系统的行为分析转化为对线性算子的特征值和特征函数的研究。这样，我们可以通过研究特征函数的性质来理解系统的稳定性、周期性和吸引子等重要性质。此外，Koopman算子还可以用于模型推断、最优控制和数据分析等领域。 Koopman算子的研究也涉及到数据驱动的动力学建模。通过观测系统的状态变量，可以估计Koopman算子的特征函数以及与之相关的动力学特征。这种数据驱动的方法可以应用于复杂系统的模型预测、异常检测和控制设计等问题，为实际应用提供了一种新的思路。 总之，Koopman算子在动力系统理论和应用中具有重要的地位。它通过将非线性系统转化为线性算子的形式，为我们理解和控制复杂系统的行为提供了有力的工具。在未来的研究中，我们可以期待Koopman算子在更多领域的应用和发展。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值