基于库普曼算子的高效模型预测控制的动态机器人折叠布料
Dynamic robotic cloth folding with efficient Koopman operator-based model predictive control
作者:
Edoardo Caldarelli, Franco Coltraro, Adrià Colomé 等5人
分类:
cs.RO, cs.LG, math.DS, math.OC
📝 论文摘要
机器人布料折叠是一项具有挑战性的任务，尤其是在考虑动态折叠任务时，该任务旨在利用布料的动力学特性通过快速运动进行折叠。当受到这种快速运动影响时，布料动力学的复杂性阻碍了系统辨识和折叠轨迹规划，导致在使用布料的物理模型时难以实现从仿真到现实的迁移。与人类在执行折叠任务时表现出的灵巧性相比，机器人方法通常采用具有相当刚性动力学的较小衣物，且要么速度过慢，要么虽然快速但不精确，需要多次尝试才能实现合理良好的折叠。在本文中，我们通过一种新颖的模型预测控制器生成快速折叠轨迹来应对这些挑战，该控制器整合了基于物理的布料动力学模拟和高效的基于核的Koopman算子回归。Koopman算子回归是一种日益流行的用于非线性系统辨识的机器学习技术，用于获取被折叠布料的线性模型。这种替代模型使用来自高保真、基于物理的布料模拟器的数据进行训练，随后可在合适的模型预测控制算法中替代昂贵、非线性的模型，以高效生成由机器人操纵器执行的折叠轨迹。在仿真和真实机器人实验中，我们展示了如何利用基于Koopman算子的模型提供的线性化，在不牺牲折叠精度的前提下高效生成针对未见姿态的快速折叠轨迹。
📊 核心分析
- **机器人动态折布(dynamic cloth folding)** 任务面临挑战：布料动力学复杂，系统辨识和轨迹规划困难
- 现有方法要么速度慢，要么快但不精确（需要多次尝试），且模拟到现实(sim-to-real)转移效果差
- 旨在实现快速且精确的折叠轨迹生成，克服非线性动力学带来的计算瓶颈
- 提出一种结合**基于物理的仿真(physics-based simulation)** 和**核基Koopman算子回归(kernel-based Koopman operator regression)** 的**模型预测控制(model predictive control, MPC)** 框架
- 利用Koopman算子回归将非线性布料动力学线性化，得到高效的线性替代模型，替代昂贵的非线性仿真模型
- 线性模型由高保真布料仿真器数据训练，并嵌入MPC中快速生成折叠轨迹，由机器人执行
- **首次将Koopman算子回归应用于机器人动态折布**，将复杂的非线性布料动力学转化为线性表示，显著降低计算成本
- **线性化替代模型** 使MPC能高效规划折叠轨迹到未见过姿态，同时保持折叠精度，避免传统方法的精度-速度权衡
- 克服了模拟到现实转移(sim-to-real transfer)问题，无需反复调整物理参数即可在实际机器人上实现快速折叠
- 为动态布料操作提供了一种**高效且精确的轨迹生成范式**，解决了非线性动力学下的规划难题
- 在仿真和真实机器人实验中验证了方法的有效性，证明其能快速折叠到新姿态且不牺牲精度
- 推动了Koopman算子在机器人操作中的应用，展示了线性化方法处理复杂变形物体的潜力