.png){kind=icon}
返回
Koopman Operators in Robot Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TRO.2026.3654384.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
Koopman算子理论为动力学提供了严谨的处理方法，并作为机器人学中基于学习的控制的一种强大替代方案出现。通过将非线性动力学表示为线性、高维算子，它为复杂系统的建模提供了新的视角。其支持增量更新和低计算成本的能力，使其特别适用于实时应用和在线学习。本综述深入探讨了其基础，系统地连接了理论原理与实际的机器人应用。在本文中，我们解释了数学基础、输入的近似方法、数据收集策略以及提升函数设计。我们探讨了Koopman模型如何统一诸如基于模型的控制、状态估计和运动规划等任务。该综述回顾了从飞行平台和腿式平台到操作臂、软体机器人和多智能体网络等领域的尖端研究。我们还介绍了先进的理论主题，并反思了开放性挑战和未来研究方向。为支持采用，我们在https://github.com/sunnyshi0310/KoopmanRobo/tree/main提供了带有代码的实践教程。
Keyword:
Koopman operator theory
learning and adaptive systems
model learning for control
robust/adaptive control of robotic systems
期刊
IF:
10.5
论文数:
3.3K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
Episodic Koopman Learning of Nonlinear Robot Dynamics with Application to Fast Multirotor Landing非线性机器人动力学的事件式Koopman学习及其在快速多旋翼着陆中的应用
OAAI
OAAI分享收藏
查看更多内容