基于事件触发的数据驱动鲁棒模型预测控制用于全向移动机械臂

全向移动机械臂（OMMs）本质上是非线性、强耦合的多输入多输出系统，因其复杂性导致开发准确的机理模型极具挑战。Koopman算子理论提供了一个数据驱动的建模框架，可利用输入输出数据表征系统动力学，但模型误差常存在。本文提出了一种针对OMM的事件触发数据驱动线性模型预测控制（MPC）框架，无需使用机器人系统的任何先验知识。通过输入输出数据建立了OMM的有限维近似线性Koopman模型。采用高斯过程回归（GPR）估计模型误差，同时设计扩展状态观测器（ESO）估计外部扰动。由于GPR引入增加了计算负担，本文引入事件触发（ET）机制以减少不必要的控制器重新计算和控制器更新频率。最后，进行了对比实验验证所提控制方案的有效性和性能优越性。