Safety-Filtered Distributed Koopman-MPC
作者: Shengjun Zhang, Wenhao Li, Zhenxin Lin, Zhenglong Sun
分类: cs.RO, eess.SY
发布日期: 2026-09-23
💡 一句话要点
提出安全过滤的分布式Koopman-MPC以解决通信丢包问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 分布式控制 模型预测控制 Koopman理论 安全约束 多机器人系统 碰撞避免 二次规划
📋 核心要点
- 现有的分布式模型预测控制方法在数据包丢失时，无法同时保持预测和碰撞约束，导致控制性能下降。
- 本文提出了一种将邻居轨迹与本地传感结合的安全过滤Koopman-MPC方法，确保在丢包情况下仍能维持安全性。
- 实验结果显示，所提方法在20次试验中均实现无碰撞，且在多机器人环境中表现优异，达成所有目标。
📝 摘要（中文）
分布式模型预测控制（DMPC）通常依赖邻居轨迹构建预测和碰撞约束，因此在数据包丢失的情况下，这两者都可能受到影响。本文提出了一种新方法，将邻居轨迹用于Koopman-MPC，而本地传感和货架几何形状则定义了一个硬约束的二次规划（QP），用于投影施加的输入。该方法确保在零阶保持间隔内，支持平面的间隙保持非负。通过一系列理论结果，证明了在有界快照和方向性植物误差下的插值分离定理，以及局部可行性的最大-最小测试。实验表明，所提出的控制器在多机器人环境中表现出色，能够实现无碰撞的目标达成。
🔬 方法详解
问题定义：本文旨在解决分布式模型预测控制中因数据包丢失导致的预测和碰撞约束失效的问题。现有方法在通信不稳定时，无法有效维持控制性能和安全性。
核心思路：提出将邻居轨迹用于驱动Koopman-MPC，同时利用本地传感器和货架几何形状定义硬约束的二次规划（QP），从而在丢包情况下仍能保持安全性。
技术框架：整体架构包括邻居轨迹的接收、Koopman-MPC的执行以及本地QP的求解。通过这些模块的协同工作，确保在控制过程中实时维护安全约束。
关键创新：最重要的创新在于将预测和碰撞约束的角色分离，采用硬约束的QP来确保安全性，而不依赖于邻居的安全决策，从而提高了系统的鲁棒性。
关键设计：设计中包括了对施加输入的径向需求的定义，确保在零阶保持间隔内支持平面的间隙非负。此外，提出了局部可行性的最大-最小测试和切换交互图的感知半径条件，增强了系统的适应性和灵活性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的完整控制器在20次试验中均实现无碰撞，并成功达成160个机器人目标。而未进行最终投影的预测Koopman-MPC仅在1/20的试验中实现无碰撞，显示出新方法的显著提升。
🎯 应用场景
该研究的潜在应用场景包括多机器人协作、自动化仓库管理和智能交通系统等领域。通过提高分布式控制系统在不稳定通信环境下的安全性和可靠性，能够有效提升这些系统的实际应用价值和操作效率。
📄 摘要（原文）
Distributed model predictive control (DMPC) often constructs both predictions and collision constraints from neighbor trajectories, so packet loss can remove both. We separate these roles: received trajectories drive Koopman-MPC, while local sensing and shelf geometry define a hard-constrained quadratic program (QP) that projects the applied input. Its radial demand is the least constant acceleration that keeps a supporting-plane clearance nonnegative throughout one zero-order-hold interval. Complementary pair rows recover the coupled demand without exchanging safety decisions. We give an intersample separation theorem under bounded snapshot and directional plant errors, an exact max-min test for simultaneous local feasibility, and a sensing-radius condition for switching interaction graphs. Anticipatory high-order rows may be relaxed for performance, but the finite-hold rows contain no safety slack. Matched eight-robot warehouse simulations use a frozen Koopman model, nonlinear drift, bounded inputs and speed, shelf constraints, a 120 ms control period, and packet dropout. The full controller is collision-free in 20/20 matched trials and reaches 160/160 robot goals; predictive Koopman-MPC without the final projection is collision-free in 1/20 trials. All 38,400 full-method hard-row sets pass the online feasibility test, and every local QP solves. Five-stream fleet sweeps are collision-free and hard-row feasible through 16 robots; the 20-robot boundary fails only after the online margin turns negative, while the reconstructed per-agent critical path remains below the sampling period. Bounded-sensing and differential-drive tests provide additional deployment stress.