Identificación de un robot suave usando operadores de Koopman

Jim Steven Palacios-Lazo; Rosalba Galvan-Guerra; Paola Andrea Niño-Suárez; Juan Eduardo Velázquez-Velázquez; Emanuel Ortiz-Ortiz

Autores/as

Jim Steven Palacios-Lazo Instituto Politécnico Nacional https://orcid.org/0009-0009-5769-3796
Rosalba Galvan-Guerra Instituto Politécnico Nacional https://orcid.org/0000-0002-1945-2125
Paola Andrea Niño-Suárez Instituto Politécnico Nacional https://orcid.org/0000-0002-7561-2963
Juan Eduardo Velázquez-Velázquez Instituto Politécnico Nacional https://orcid.org/0000-0001-9660-1182
Emanuel Ortiz-Ortiz Instituto Politécnico Nacional https://orcid.org/0000-0002-0125-9685

Palabras clave:

Operadores de Koopman, identificación, Robótica Suave

Resumen

La identificación de modelos dinámicos en robótica suave continúa siendo un desafío debido a su naturaleza no lineal y a sus infinitos grados de libertad. En este trabajo se propone un enfoque basado en los operadores de Koopman para obtener una representación lineal de un actuador neumático suave tipo PneuNet con una deformación unidireccional. Este método se basa en técnicas de levantamiento de datos, adaptado para sistemas con entradas. Se implementa una plataforma experimental que integra un sistema neumático regulado, sensores de presión y un actuador equipado con un láser que proyecta su movimiento sobre una superficie. Las coordenadas del haz de luz, capturadas mediante una cámara RealSense, se utilizan como salidas del sistema, mientras que la presión suministrada constituye la entrada. El modelo lineal identificado mediante el operador de Koopman logra reproducir adecuadamente la dinámica entrada-salida del sistema, utilizando datos reales de los experimentos.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Bruder, D., Gillespie, B., Remy, C. D., y Vasudevan, R. (2019a). Modeling and control of soft robots using the koopman operator and model predictive control. arXiv preprint arXiv:1902.02827.

Bruder, D., Remy, C. D., y Vasudevan, R. (2019b). Nonlinear system identification of soft robot dynamics using koopman operator theory. En 2019 International Conference on Robotics and Automation (ICRA), pp. 6244-6250. IEEE.

Bruder, D., Fu, X., Gillespie, R. B., Remy, C. D., y Vasudevan, R. (2020). Data driven control of soft robots using koopman operator theory.

Bruder, D., Fu, X., Gillespie, R. B., Remy, C. D., y Vasudevan, R. (2021). Koopman-based control of a soft continuum manipulator under variable loading conditions. IEEE robotics and automation letters.

Chen, Z., Renda, F., Le Gall, A., Moccellin, L., Bernabei, M., Dangel, T., Ciuti, G., Cianchetti, M., y Stefanini, C. (2025). Data-driven methods applied to soft robot modeling and control: A review. IEEE Transactions on Automation Science and Engineering, 22: 2241–2256.

Della Santina, C. y Rus, D. (2019). Control oriented modeling of soft robots: The polynomial curvature case. IEEE Robotics and Automation Letters, 5(2): 290–298.

Della Santina, C. (2020). The soft inverted pendulum with affine curvature. En 2020 59th IEEE Conference on Decision and Control (CDC), pp. 4135-4142. IEEE.

Giorelli, M., Renda, F., Ferri, G., y Laschi, C. (2013). A feedforward neural network for solving the inverse kinetics of non-constant curvature soft manipulators driven by cables. En Dynamic Systems and Control Conference, volumen 56147, p. V003T38A001. American Society of Mechanical Engineers.

Haggerty, D. A., Banks, M. J., Curtis, P. C., Mezić, I., y Hawkes, E. W. (2020). Modeling, reduction, and control of a helically actuated inertial soft robotic arm via the koopman operator. En arXiv preprint arXiv:2011.07939.

Korda, M. y Mezić, I. (2018). On convergence of extended dynamic mode decomposition to the koopman operator. J Nonlinear Sci, 28(2): 687–710.

Mauroy, A. y Mezić, I. (2016). Global stability analysis using the eigenfunctions of the koopman operator. IEEE Trans Autom Control, 61(11): 3356-3369.

Mauroy, A., Susuki, Y., y Mezić, I. (2020). Introduction to the Koopman Operator in Dynamical Systems and Control Theory, pp. 3–33. Springer International Publishing, Cham.

Mauroy, A. y Goncalves, J. (2020). Koopman-based lifting techniques for nonlinear systems identification. IEEE Transactions on Automatic Control, 65(6): 2550–2565.

Polygerinos, P., Lyne, S., Wang, Z., Nicolini, F. L., Mosadegh, B., Whitesides, G. M., y Walsh, C. J. (2013). Towards a soft pneumatic glove for hand rehabilitation. En IROS, pp. 1512–1517.

Proctor, J. L., Brunton, S. L., y Kutz, J. N. (2016). Dynamic mode decomposition with control. SIAM J Appl Dyn Syst, 15(1): 142–161.

Proctor, J. L., Brunton, S. L., y Kutz, J. N. (2018a). Generalizing koopman theory to allow for inputs and control. SIAM J Appl Dyn Syst, 17(1): 909-930.

Proctor, J. L., Brunton, S. L., y Kutz, J. N. (2018b). Generalizing koopman theory to allow for inputs and control. SIAM Journal on Applied Dynamical Systems, 17(1): 909–930.

Quevedo, F., Muñoz, J., Castano Pena, J. A., y Monje, C. A. (2021). 3d model identification of a soft robotic neck. Mathematics, 9(14): 1652.

Relaño, C., Muñoz, J., y Monje, C. A. (2023). Gaussian process regression for forward and inverse kinematics of a soft robotic arm. Engineering Applications of Artificial Intelligence, 126: 107174.

Rus, D. y Tolley, M. T. (2015). Design, fabrication and control of soft robots. Nature, 521(7553): 467–475.

Shi, L., Liu, Z., y Karydis, K. (2023). Koopman operators for modeling and control of soft robotics. Curr Robot Rep, 4: 23–31.

Trivedi, D., Lotfi, A., y Rahn, C. D. (2008). Geometrically exact models for soft robotic manipulators. IEEE Transactions on Robotics, 24(4): 773–780.

Williams, M., Kevrekidis, I., y Rowley, C. (2015). A data-driven approximation of the koopman operator: extending dynamic mode decomposition. J Nonlinear Sci, 25(6): 1307–1346.

Yoon, T., Chai, Y., Jang, Y., Lee, H., Kim, J., Kwon, J., Kim, J., y Choi, S. (2024). Kinematics-informed neural networks: Enhancing generalization performance of soft robot model identification. IEEE Robotics and Automation Letters, 9(4): 3068–3075.