日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

システム同定arXiv:2606.15317

不確かで時変なダイナミクスを持つ非線形システムのための共分散調整型再帰クープマン学習

Covariance-Regulated Recursive Koopman Learning for Nonlinear Systems with Uncertain Time-Varying Dynamics

シェア:XThreadsFacebookLINEはてブBluesky

時変なダイナミクス下でのロボットのオンライン学習を安定化するため、共分散の爆発やパラメータ凍結を防ぐ2つの戦略を備えた再帰クープマン学習フレームワークを提案し、実機実験で有効性を示した。

詳しい要約

1. どんなもの?

- 非線形システムのオンライン学習フレームワーク - Covariance-Regulated Recursive Koopman Learning (CR-RKL) - 時変ダイナミクスに対応 - 対象 - 自律ロボットのオフラインモデルが訓練分布外で失敗する問題 - Koopman operator theoryによる線形表現 - 特徴 - リアルタイム再帰推定の数値的脆弱性を解決 - 2つの戦略: error dead-zone gatingとconstant-trace normalization - 応用 - 非ホロノミック差動駆動ロボット(wheel slip, Stribeck friction) - 26-gram butterfly-inspired flapping-wing micro aerial vehicle - model predictive controlへの組み込み

2. 先行研究と比べてどこがすごい?

- 先行研究 - Koopman operator theoryに基づくオフラインモデル - 再帰推定におけるexponential forgettingや忘却なしの手法 - 課題 - 低励起時のcovariance windup - 忘却なしでのvanishing gain - 本研究の優位性 - 数値的脆弱性を防ぐ - オンライン学習の安定性と精度を両立 - 時変ダイナミクス下でのmodel predictive controlの追従性能維持

3. 技術・手法の肝は?

- フレームワーク: Covariance-Regulated Recursive Koopman Learning (CR-RKL) - 2つの戦略 - error dead-zone gating - constant-trace normalization - 各戦略の効果 - 独立にcovariance explosionとparameter freezingを防止 - constant-trace normalizationは不確かさの幾何構造を保持 - 実装 - Koopman operator theoryによるリフティング - 再帰的推定

4. どうやって有効だと検証した?

- 検証プラットフォーム - 非ホロノミック差動駆動ロボット(wheel slip, Stribeck friction) - 26-gram butterfly-inspired flapping-wing micro aerial vehicle - 結果 - 数値的に安定かつ正確なオンライン建模 - model predictive controlに組み込み、不確かで時変なダイナミクス下で信頼性の高い追従性能を維持

5. 議論はある?

- 議論の焦点 - 数値的脆弱性: covariance windupとvanishing gain - 2つの戦略の有効性と独立性 - constant-trace normalizationの不確かさ幾何構造保持 - 限界や課題 - 要旨からは不明

6. 次に読むべき論文は?

- 関連研究 - Koopman operator theory - Recursive Koopman Learning - exponential forgetting - error dead-zone gating - constant-trace normalization - model predictive control - 同分野の定番 - Extended Kalman Filter (EKF) - Recursive Least Squares (RLS) - Koopman-based control

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Weibin Gu, Chen Yang, Lu Shi, Chao Gao

分類: cs.RO

原文アブストラクト

Offline models for autonomous robots often fail under time-varying dynamics outside their training distribution. Koopman operator theory offers a linear representation of nonlinear dynamics via lifting, but its transition to real-time recursive estimation may suffer numerical vulnerabilities: covariance windup under low excitation when using exponential forgetting, and vanishing gain without forgetting. This paper introduces a Covariance-Regulated Recursive Koopman Learning (CR-RKL) framework with two complementary strategies--error dead-zone gating and constant-trace normalization--each independently capable of preventing covariance explosion and parameter freezing, with the latter additionally preserving the geometric structure of uncertainty. Validated on a non-holonomic differential-drive robot with wheel slip and Stribeck friction and on a 26-gram butterfly-inspired flapping-wing micro aerial vehicle, CR-RKL achieves numerically stable and accurate online modeling, and when embedded in model predictive control, it maintains reliable tracking performance under uncertain, time-varying dynamics.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI