具有鲁棒稳定性和递归可行性保证的 Koopman 数据驱动预测控制
原文中文,约200字,阅读约需1分钟。发表于: 。通过线性控制输入 Koopman 提升模型从输入 - 输出数据中设计数据驱动的非线性系统预测控制器,以学习最小化 Koopman 子空间预测器的多步输出预测误差的可观测量,并通过插值初始状态获得递归可行性保证和输入与状态稳定性保证。在文献综述中,通过非线性基准示例展示了 Koopman 数据驱动预测控制方法的性能。
本文提出了一种基于数据驱动的方法,利用Koopman嵌入将原始状态空间提升到更高的线性流形,从而学习非线性系统的稳定模型。该方法在离散时间下能够学习所有非线性收缩模型,并通过直接参数化稳定线性系统来简化计算。在模拟系统上验证了该方法,并分析了与替代方案相比的优势。