Hierarchical Optimization-based Control for Whole-body Loco-manipulation of Heavy Objects
作者: Alberto Rigo, Muqun Hu, Satyandra K. Gupta, Quan Nguyen
分类: cs.RO
发布日期: 2023-10-31 (更新: 2024-03-19)
备注: 7 pages, 7 figures
💡 一句话要点
提出基于层次优化控制的全身运动操控框架以解决重物操控问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 四足机器人 运动操控 层次优化 模型预测控制 重物操控 全身协调 仿真实验 工业应用
📋 核心要点
- 核心问题：现有的四足机器人在重物操控时容易受到扰动，导致运动不稳定，难以实现有效的运动操控。
- 方法要点：本文提出的层次优化控制框架通过在线操控规划和姿态优化，确保机器人在操控重物时的全身协调。
- 实验或效果：实验结果表明，该方法在与重物交互时显著优于基线的运动模型预测控制，成功实现了8kg负载的操控。
📝 摘要（中文）
近年来，四足机器人领域对通过集成关节式机械臂提升机器人能力的兴趣日益增长。然而，成功实现重物的运动操控并非易事，因为物体操控可能引入显著的扰动，影响机器人的运动。本文提出了一种新的四足运动操控框架，考虑通过层次优化控制实现全身协调。首先，在线操控规划器计算操控力和物体操控任务的参考轨迹。然后，姿态优化将机器人的轨迹与运动学约束对齐。最终，采用线性模型预测控制器执行机器人参考轨迹，将期望的操控力纳入预测模型。我们的方案在仿真和硬件实验中得到了验证，强调了在与重物交互时全身优化的必要性。实验结果显示，配备定制机械臂的Unitree Aliengo能够提升并搬运8kg的负载并操控门。
🔬 方法详解
问题定义：本文旨在解决四足机器人在重物操控过程中因操控引起的运动扰动问题。现有方法在处理重物时，往往无法有效协调机器人全身的运动，导致操控效果不佳。
核心思路：论文提出了一种层次优化控制框架，通过在线操控规划和姿态优化，确保机器人在操控重物时能够保持稳定的运动状态。这种设计旨在提高机器人在复杂环境中的操控能力。
技术框架：整体架构包括三个主要模块：在线操控规划器、姿态优化模块和线性模型预测控制器。在线操控规划器负责计算操控力和参考轨迹，姿态优化模块确保轨迹符合运动学约束，而线性模型预测控制器则执行最终的轨迹。
关键创新：最重要的技术创新在于引入了层次优化的思想，使得机器人在操控重物时能够进行全身协调优化。这与传统的局部控制方法有本质区别，后者往往无法有效应对重物带来的扰动。
关键设计：在设计过程中，关键参数包括操控力的计算方式和轨迹优化的损失函数。此外，采用了线性模型预测控制器的预测模型，确保了操控力的有效整合。
🖼️ 关键图片
📊 实验亮点
实验结果显示，采用该层次优化控制框架的Unitree Aliengo在与重物交互时，相较于基线的运动模型预测控制，表现出更高的稳定性和操控精度，成功实现了对8kg负载的提升和门的操控，验证了方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括物流搬运、救援任务和工业自动化等场景。通过提升四足机器人在重物操控方面的能力，可以显著提高其在复杂环境中的作业效率和安全性，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
In recent years, the field of legged robotics has seen growing interest in enhancing the capabilities of these robots through the integration of articulated robotic arms. However, achieving successful loco-manipulation, especially involving interaction with heavy objects, is far from straightforward, as object manipulation can introduce substantial disturbances that impact the robot's locomotion. This paper presents a novel framework for legged loco-manipulation that considers whole-body coordination through a hierarchical optimization-based control framework. First, an online manipulation planner computes the manipulation forces and manipulated object task-based reference trajectory. Then, pose optimization aligns the robot's trajectory with kinematic constraints. The resultant robot reference trajectory is executed via a linear MPC controller incorporating the desired manipulation forces into its prediction model. Our approach has been validated in simulation and hardware experiments, highlighting the necessity of whole-body optimization compared to the baseline locomotion MPC when interacting with heavy objects. Experimental results with Unitree Aliengo, equipped with a custom-made robotic arm, showcase its ability to lift and carry an 8kg payload and manipulate doors.