我们介绍了Koopman状态估计器(Koopse),一个无模型批量估计的框架,无需线性化假设,不需要特定于问题的特征选择,并且具有与数字无关的推理计算成本训练点。我们将原始非线性系统抬为高维再现内核希尔伯特空间(RKHS),其中系统变为双线性。可以通过在训练轨迹上求解最小二乘问题来学习时间不变的模型矩阵。在测试时间时,系统是代数操纵成线性时变系统,其中标准批量线性状态估计技术可用于有效地计算状态装置和协方差。随机傅里叶功能(RFF)用于结合基于Koopman的方法的计算效率和内核嵌入方法的一般性。 Koopse在实验上经过实验验证,涉及配备有超宽带接收器和轮内径术的移动机器人。 Koopse估计比标准模型的扩展Rauch-tung-Striebel(RTS)更加准确,并且尽管Koopse没有先验知识的系统的运动或测量模型。
translated by 谷歌翻译