一般化運動量に基づくKoopman形式によるEuler-Lagrangian系のロバスト制御

- Euler-Lagrangian 系に対する新しい Koopman operator 定式化を提案する論文。 - 陰的な generalized momentum ベースの状態空間表現を採用する。 - 既知の線形な actuation channel と状態依存ダイナミクスを分離する。 - これにより系を線形 Koopman モデリングに適した形にする。 - 線形 GESO (Generalized Extended State Observer) を統合し外乱を推定・補償する。 - ロボットマニピュレータの軌道追従で検証する。

- 従来の陽的な定式化は入力と状態依存項が非線形に結合し、bilinear Koopman モデルが適していた。 - bilinear モデルは学習・展開の計算コストが高い。 - 提案法は actuation を分離し、非駆動ダイナミクスのみを学習する。 - 学習パラメータ数が大幅に減り、データ効率とモデル複雑度が改善する。 - 線形モデルでありながら従来の bilinear モデルより予測性能が優れ、かつ効率的と主張する。

- generalized momentum ベースの陰的状態空間表現で actuation channel を分離する。 - 学習対象を非駆動 (unactuated) ダイナミクスに限定する。 - actuated データまたは unactuated データから Koopman embedding を構築する 2 つの neural network アーキテクチャを提示する。 - 線形 GESO を統合し、外乱を陽に推定してリアルタイム補償する。 - momentum-based Koopman と GESO を組み合わせた枠組みを構成する。

- ロボットマニピュレータ上で包括的な軌道追従シミュレーションと実験を行う。 - 精度、ロバスト性、学習効率を state of the art の代替手法と比較する。 - 提案法が優れた精度・ロバスト性・学習効率を示したと報告する。 - 線形モデルが bilinear モデルより予測性能で優れることを示す。

- 提案法は線形モデルで bilinear より高予測性能かつ高効率と主張する。 - 学習パラメータ削減とデータ効率向上を利点として挙げる。 - GESO による外乱推定・補償でロバスト性を確保する。 - 限界や失敗事例、仮定の詳細は要旨からは不明。 - 計算コストやスケーラビリティの定量的議論は要旨からは不明。

- 比較対象として言及される conventional explicit formulation と bilinear Koopman models の関連研究。 - Koopman operator による制御の一般的枠組み (Koopman-based control)。 - Generalized Extended State Observer (GESO) および extended state observer に関する研究。 - Euler-Lagrangian 系のロバスト制御・外乱オブザーバ研究。 - ロボットマニピュレータの軌道追従制御の定番手法。