Dynamic robotic cloth folding with efficient Koopman operator-based model predictive control
作者: Edoardo Caldarelli, Franco Coltraro, Adrià Colomé, Lorenzo Rosasco, Carme Torras
分类: cs.RO, cs.LG, math.DS, math.OC
发布日期: 2026-05-18
备注: Accepted for presentation at the 2026 IEEE International Conference on Robotics and Automation (ICRA)
💡 一句话要点
提出基于Koopman算子的模型预测控制，实现高效动态机器人叠衣
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 机器人叠衣 动态系统 Koopman算子 模型预测控制 非线性系统辨识
📋 核心要点
- 动态叠衣任务中，布料动力学的复杂性阻碍了系统辨识和轨迹规划，导致从仿真到现实的迁移困难。
- 利用Koopman算子回归学习布料的线性替代模型，并将其集成到模型预测控制中，以高效生成快速折叠轨迹。
- 通过仿真和真实机器人实验验证，该方法能够生成快速且精确的折叠轨迹，适用于未见过的布料姿势。
📝 摘要（中文）
本文提出了一种新的模型预测控制器，用于生成快速的机器人叠衣轨迹，特别是在动态叠衣任务中。该方法结合了基于物理的布料动力学仿真和高效的基于核的Koopman算子回归。Koopman算子回归是一种日益流行的非线性系统辨识机器学习技术，用于获得被折叠布料的线性模型。这种替代模型使用高保真、基于物理的布料仿真器的数据进行训练，然后可以在合适的模型预测控制算法中使用，以代替代价高昂的非线性模型，从而有效地生成由机器人机械臂执行的折叠轨迹。在模拟和真实机器人实验中，结果表明基于Koopman算子的模型提供的线性化可以有效地生成快速折叠轨迹到未见过的姿势，而不会牺牲折叠精度。
🔬 方法详解
问题定义：现有机器人叠衣方法通常处理较小且动力学相对刚性的衣物，要么速度慢，要么速度快但精度低，需要多次尝试才能达到较好的折叠效果。动态叠衣任务，即通过快速运动利用布料动力学进行折叠，对系统辨识和轨迹规划提出了挑战，难以实现有效的仿真到现实迁移。
核心思路：利用Koopman算子回归将非线性布料动力学系统线性化，得到一个易于处理的替代模型。然后，将该线性模型集成到模型预测控制（MPC）框架中，从而能够高效地生成快速且精确的折叠轨迹。这种方法避免了直接使用复杂的非线性物理模型进行MPC，显著降低了计算成本。
技术框架：整体流程包括：1) 使用高保真物理仿真器生成布料动态数据；2) 使用这些数据训练基于核的Koopman算子回归模型，得到布料的线性替代模型；3) 将该线性模型嵌入到模型预测控制（MPC）算法中；4) 使用MPC生成机器人机械臂的折叠轨迹；5) 在真实机器人上执行生成的轨迹。
关键创新：关键创新在于使用Koopman算子回归来学习布料的线性替代模型，并将其应用于模型预测控制。与直接使用非线性物理模型相比，这种方法大大提高了计算效率，使得能够实时生成快速折叠轨迹。此外，该方法能够处理未见过的布料姿势，具有较好的泛化能力。
关键设计：Koopman算子回归使用核方法进行训练，选择合适的核函数（例如高斯核）和核参数对模型的性能至关重要。模型预测控制（MPC）的设计需要考虑控制器的预测范围、控制频率以及约束条件（例如机器人关节速度和加速度限制）。损失函数的设计需要平衡折叠速度和精度，例如可以同时考虑折叠时间和目标姿态的误差。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法能够生成快速且精确的折叠轨迹。在仿真和真实机器人实验中，该方法能够成功地将布料折叠成目标形状，并且能够处理未见过的布料姿势。与传统的基于物理模型的MPC方法相比，该方法显著提高了计算效率，使得能够实时生成折叠轨迹。具体性能数据未知，但论文强调了在未牺牲折叠精度的情况下实现了快速折叠。
🎯 应用场景
该研究成果可应用于服装制造、家政服务、仓储物流等领域，实现自动化叠衣，提高生产效率和服务质量。未来，该技术有望扩展到处理更复杂、更多样化的纺织品，并与其他机器人技术相结合，实现更智能化的服装处理流程。
📄 摘要（原文）
Robotic cloth folding is a challenging task, particularly when considering dynamic folding tasks, which aim at folding cloth by fast motions that leverage its dynamics. When subject to such fast motions, the complexity of cloth dynamics hinders both system identification and planning of folding trajectories, resulting in a difficult simulation-to-reality transfer when using physical models of cloth. Compared to the dexterity that humans exhibit when performing folding tasks, robotic approaches usually employ small garments with quite rigid dynamics, and are either too slow, or fast but imprecise, requiring several attempts to achieve a reasonably good fold. In this paper, we tackle these challenges by generating fast folding trajectories with a novel model predictive controller, integrating physics-based simulation of cloth dynamics and efficient, kernel-based Koopman operator regression. Koopman operator regression, an increasingly popular machine learning technique for nonlinear system identification, is used to obtain a linear model for the cloth being folded. Such a surrogate model, trained with data from a high-fidelity, physics-based cloth simulator, can then be employed within a suitable model predictive control algorithm, in place of the costly, nonlinear one, to efficiently generate folding trajectories to be executed by a robotic manipulator. Both in simulated and real-robot experiments, we show how the linearization supplied by the Koopman operator-based model can be employed to efficiently generate fast folding trajectories to unseen poses, without sacrificing folding accuracy.