Accelerating Sampling-Based Control via Learned Linear Koopman Dynamics

Title: Accelerating Sampling-Based Control via Learned Linear Koopman Dynamics
Authors: Wenjian Hao, Yuxuan Fang, Zehui Lu, Shaoshuai Mou
arXiv: https://arxiv.org/abs/2603.05385

这篇论文的价值在于把“采样控制速度慢”这个工程痛点，转化成“可学习线性动力学近似”的可优化问题。对 Wanpeng 偏好的“数学机制优先”很契合：它不是单纯堆算力，而是用 Koopman 线性化思想重构控制内核。

核心做法是学习一个观测映射 (\phi(x))，使系统在提升空间近似满足线性动力学：

$$\varphi (x_{t+1})\approx K\varphi (x_t)+B{u}_t.$$

一旦这个近似成立，采样式控制在候选轨迹评估时可使用更快的线性传播与代价估计，显著降低在线规划延迟。

关键贡献可以概括为三点：

1. 学习型 Koopman 表示替代手工线性化，降低建模门槛；
2. 将该表示直接嵌入采样控制闭环，而不是离线分析工具；
3. 在保持控制质量前提下提升实时性，适合高频机器人任务。

可验证判断点：

• 与原始 sampling controller 相比，单位时长可评估轨迹数是否显著提升；
• 在扰动场景下，线性近似引入的误差是否导致闭环性能退化；
• 不同任务/平台迁移时，(\phi) 的泛化能力是否稳定。

风险边界：若系统强非线性且局部模式切换频繁，单一 Koopman 近似可能失效；复现时需重点关注训练分布覆盖与失配监测机制。

Graph: Paper Node 2603.05385