Multi-Domain Walking with Reduced-Order Models of Locomotion

📄 arXiv: 2310.03179v1 📥 PDF

作者: Min Dai, Jaemin Lee, Aaron D. Ames

分类: cs.RO

发布日期: 2023-10-04

备注: submitted to ACC 2024

💡 一句话要点

提出基于降阶模型的多域步态控制方法以实现机器人行走

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 多域行走 降阶模型 混合动力系统 机器人控制 动态仿真 速度跟踪 抗推力恢复

📋 核心要点

  1. 现有的机器人行走方法在多域环境中的适应性和灵活性不足，难以有效应对复杂的接触变化。
  2. 本研究提出了一种基于混合动力系统的多域线性倒立摆模型，能够有效模拟人类行走的动态特性。
  3. 实验结果表明，所提出的方法在Cassie机器人上实现了多域行走，并展现了良好的速度跟踪和抗推力恢复能力。

📝 摘要（中文）

本研究受到人类多域行走的启发，提出了一种新颖的基于降阶模型的框架，以实现多域机器人行走。我们的方法核心在于将人类行走视为一个混合动力系统，包含完全驱动、欠驱动和过驱动的连续阶段，以及在接触变化时发生的驱动类型的离散变化。基于这一视角，我们合成了多域线性倒立摆（MLIP）模型。利用MLIP模型的步态动态，我们成功地在高自由度的三维双足机器人Cassie上展示了多域行走行为，展示了在多域降阶模型与全阶多接触行走之间的桥梁。此外，我们的结果还展示了该方法在速度跟踪和抗推力恢复方面的出色性能。

🔬 方法详解

问题定义：本研究旨在解决现有机器人在多域环境中行走时的适应性不足和复杂接触变化的挑战。现有方法往往无法有效应对不同的行走模式和接触条件。

核心思路：论文提出了一种将人类行走视为混合动力系统的视角，利用降阶模型来简化复杂的动态行为，从而实现多域行走的控制。通过这种方式，能够更好地捕捉行走过程中的动态变化。

技术框架：整体架构包括多域线性倒立摆（MLIP）模型的构建，步态动态的合成，以及在Cassie机器人上的实现。主要模块包括模型设计、动态仿真和控制策略的实现。

关键创新：最重要的技术创新在于将多域行走问题转化为一个降阶模型的控制问题，突破了传统方法在多接触行走中的局限性，提供了一种新的思路来处理复杂的行走动态。

关键设计：在模型设计中，采用了混合动力系统的框架，设定了不同的驱动状态，并通过步态动态的合成来实现控制策略。具体的参数设置和损失函数设计尚未详细披露，需进一步研究。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的方法在Cassie机器人上实现了多域行走，成功跟踪不同速度，并在受到外部推力时表现出良好的恢复能力。具体性能数据尚未披露，但相较于传统方法，提升了机器人的动态适应性和稳定性。

🎯 应用场景

该研究的潜在应用领域包括服务机器人、救援机器人以及人形机器人等多种需要在复杂环境中行走的场景。通过提升机器人的适应性和灵活性，能够在实际应用中实现更高效的任务执行，具有重要的实际价值和未来影响。

📄 摘要（原文）

Drawing inspiration from human multi-domain walking, this work presents a novel reduced-order model based framework for realizing multi-domain robotic walking. At the core of our approach is the viewpoint that human walking can be represented by a hybrid dynamical system, with continuous phases that are fully-actuated, under-actuated, and over-actuated and discrete changes in actuation type occurring with changes in contact. Leveraging this perspective, we synthesize a multi-domain linear inverted pendulum (MLIP) model of locomotion. Utilizing the step-to-step dynamics of the MLIP model, we successfully demonstrate multi-domain walking behaviors on the bipedal robot Cassie -- a high degree of freedom 3D bipedal robot. Thus, we show the ability to bridge the gap between multi-domain reduced order models and full-order multi-contact locomotion. Additionally, our results showcase the ability of the proposed method to achieve versatile speed-tracking performance and robust push recovery behaviors.