Koopman DCM: Unstable Eigenfunctions as Data-driven Representations for Legged Balancing

📄 arXiv: 2607.18760v1 📥 PDF

作者: Stéphane Caron

分类: cs.RO

发布日期: 2026-07-21

备注: 12 pages, 4 figures

💡 一句话要点

提出Koopman DCM以解决腿部平衡控制问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 腿部运动 平衡控制 Koopman特征 数据驱动 动态系统 模型预测控制 机器人技术

📋 核心要点

  1. 现有的发散运动分量（DCMs）方法仅适用于简化模型，限制了其在复杂腿部运动中的应用。
  2. 本文提出将DCMs作为Koopman特征函数进行更广泛的表述，特别关注具有大特征值的不稳定特征对。
  3. 在真实双足机器人实验中，学习到的DCMs显著提高了对参考步态模式的跟踪精度。

📝 摘要（中文）

在腿部运动中，发散运动分量（DCMs）已成为平衡控制的特征状态。现有方法仅适用于线性倒立摆等简化模型。本文展示了如何将DCMs更普遍地表述为Koopman特征函数，特别是通过寻找具有大特征值的不稳定特征对。所提出的Koopman DCM是基于真实机器人数据训练的数据驱动可观测量。在真实双足机器人上，利用一小时的数据学习的DCMs显著改善了对参考步态模式的跟踪。此外，结合模型预测控制，学习到的DCMs提供了基于状态的可行性约束。

🔬 方法详解

问题定义：本文旨在解决现有发散运动分量（DCMs）方法仅适用于简化模型的问题，限制了其在复杂腿部运动中的应用。

核心思路：论文提出将DCMs重新表述为Koopman特征函数，特别关注不稳定特征对，以捕捉动态中的发散成分。通过这种方式，DCMs可以更广泛地应用于真实机器人数据中。

技术框架：整体框架包括数据收集、Koopman特征提取和模型预测控制三个主要模块。首先，通过真实机器人收集运动数据，然后应用Koopman分析提取特征，最后结合模型预测控制实现平衡控制。

关键创新：最重要的创新在于将DCMs与Koopman特征函数结合，特别是关注不稳定特征对，这与传统方法的关注点（接近零的特征值）形成鲜明对比。

关键设计：在参数设置上，使用真实机器人数据进行训练，损失函数设计为最小化跟踪误差，网络结构采用深度学习模型以提取复杂的动态特征。具体细节未在摘要中说明，需参考完整论文。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，学习到的DCMs显著改善了对参考步态模式的跟踪，具体提升幅度未在摘要中提供。通过结合模型预测控制，学习到的DCMs还提供了有效的状态约束，增强了机器人的动态平衡能力。

🎯 应用场景

该研究的潜在应用领域包括机器人步态控制、动态平衡系统和人机交互等。通过改进的DCMs，机器人能够在复杂环境中更好地保持平衡，提升其在实际应用中的稳定性和灵活性，未来可能对服务机器人和救援机器人等领域产生深远影响。

📄 摘要（原文）

In legged locomotion, divergent components of motion (DCMs) have emerged as characteristic states for balance control. They isolate the unstable mode of the dynamics but, in existing formulations, apply only to reduced models such as the linear inverted pendulum. In this study, we show how DCMs can be more generally formulated as Koopman eigenfunctions. Whereas Koopman analysis typically targets eigenvalues near zero, which capture conserved or slowly varying quantities, our investigation leads us to deliberately search for unstable eigenpairs with large eigenvalues. The resulting Koopman DCMs are data-driven observables trained using only real-robot data. On a real biped, DCMs learned from one hour of robot data improve tracking of reference walking patterns. We further show how learned DCMs provide state-based viability constraints when combined with model predictive control.