sim2real2026/9/15arXiv:2609.17249

機械系のためのポート・ハミルトン型Koopman作用素合成

Port-Hamiltonian Koopman Operator Synthesis for Mechanical Systems

一般化運動量座標上で構造保存型のKoopmanモデルを構築し、受動性を保証するニューラルネットと離散化で非線形機械系の予測・制御精度を向上させた研究。

詳しい要約

1. どんなもの？

- 非線形ロボットシステムの線形予測・制御を可能にする有限次元Koopmanモデルを、Euler-Lagrange系のエネルギー構造を保持する形で構築するフレームワーク。 - 一般化運動量座標に基づき、機械的アクチュエーションを既知の状態非依存ポートとして顕在化。 - 構造制約付きニューラルネットワークで持ち上げ関数とport-Hamiltonian Koopman生成器を同時学習し、受動性を保証。 - Cayley-midpoint離散化により離散時間でも貯蔵・散逸バランスを厳密に保持。

2. 先行研究と比べてどこがすごい？

- 従来のKoopmanモデルは軌道データのみから学習され、エネルギー構造を無視するため人工的なエネルギー増大や再帰伝播での発散が生じる。 - 提案手法はペナルティ項や事後投影ではなく、構造制約により受動性を構成的に保証。 - 予測精度、データ効率、閉ループ追従性能でKoopmanベースラインを上回り、高次元系で利得が増大。

3. 技術・手法の肝は？

- 一般化運動量座標への変換により、機械的アクチュエーションを既知の状態非依存ポートとして表現。 - 持ち上げ関数とport-Hamiltonian Koopman生成器を同時学習する構造制約付きニューラルアーキテクチャ。 - Cayley-midpoint離散化を適用し、離散時間での貯蔵・散逸バランスを厳密に保持。 - 離散貯蔵バランスと安定性保証を解析的に導出。

4. どうやって有効だと検証した？

- シミュレーションと実験研究を実施。 - 予測精度、データ効率、閉ループ追従性能をKoopmanベースラインと比較。 - 高次元システムで性能向上が顕著であることを示す。

5. 議論はある？

- 学習された予測器の離散貯蔵バランスと安定性保証を解析的に確立。 - 受動性が構成的に保証されるため、ペナルティや事後投影が不要。 - 高次元系での利得増大が示唆されるが、具体的な議論の詳細は要旨からは不明。

6. 次に読むべき論文は？

- Koopmanベースライン（具体的な手法名は要旨からは不明） - port-Hamiltonian systems - Euler-Lagrange systems - Cayley-midpoint discretization - 同分野の定番：Koopman operator theory, structure-preserving learning

※ 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: Rajpal Singh, Aditya Singh, Jishnu Keshavan

分類: cs.RO, eess.SY

原文アブストラクト

Finite-dimensional Koopman models enable efficient linear prediction and control of nonlinear robotic systems. However, models learned purely from trajectory data may violate the energetic structure of the underlying mechanics, producing predictions that exhibit artificial energy growth and diverge under recursive propagation. This work presents a structure-preserving Koopman framework for Euler-Lagrange systems built on generalized-momentum coordinates. The momentum transformation exposes the mechanical actuation as a known, state-independent port, which is preserved explicitly in the lifted dynamics. A structure-constrained neural architecture is developed to jointly learn the lifting functions and a port-Hamiltonian Koopman generator, rendering the learned dynamics passive by construction rather than through penalty terms or post-hoc projection. A Cayley-midpoint discretization further preserves the corresponding storage-dissipation balance exactly in discrete time. These properties are established analytically by deriving the discrete storage balance and associated stability guarantees of the learned predictor. Simulation and experimental studies demonstrate improved prediction accuracy, data efficiency, and closed-loop tracking over Koopman baselines, with increasing gains for higher-dimensional systems.

arXivで原文を読む →arXiv概要ページ