Data-driven Model Reduction for Soft Robots via Lagrangian Operator Inference

数据驱动的模型简化方法提供了一种非侵入式的方式，用于构建高保真模型的计算效率高的替代品，以便实时控制软机器人。本文利用模型方程的Lagrangian性质，通过Lagrangian Operator Inference推导出结构保持的线性降阶模型，并通过一个具有231,336个自由度的anguilliform游泳软机器人模型示例，将其性能与其他著名的线性模型简化技术进行比较。案例研究表明，保留底层的Lagrangian结构可以得到具有更高预测精度和对未知输入更具鲁棒性的学习模型。

本文旨在通过数据驱动的模型简化方法，构建高保真度模型的计算高效代理，以实现对软机器人的实时控制。

本文利用模型方程的拉格朗日性质，通过拉格朗日算子推断法推导出保持结构的线性降阶模型，并通过对一种具有231,336个自由度的软机器人模型进行案例研究，证明了保持底层拉格朗日结构可提高学习模型的预测精度和对未知输入的鲁棒性。

本文的亮点包括：1. 利用拉格朗日算子推断法推导出保持结构的线性降阶模型；2. 通过对软机器人模型进行案例研究，证明了保持底层拉格朗日结构可提高学习模型的预测精度和对未知输入的鲁棒性；3. 实验设计合理，使用了大量数据集进行验证；4. 相关工作包括模型简化、机器人控制等方面，值得继续深入研究。

最近在这个领域中，还有一些相关的研究，如《Nonlinear Reduced Order Modeling for Soft Robots Using Koopman Operator》、《Reduced-Order Modeling of Soft Robots Using Physics-Based Deep Learning with Recurrent Neural Networks》等。