Tailoring Solution Accuracy for Fast Whole-body Model Predictive Control of Legged Robots
作者: Charles Khazoom, Seungwoo Hong, Matthew Chignoli, Elijah Stanger-Jones, Sangbae Kim
分类: cs.RO
发布日期: 2024-07-15 (更新: 2024-09-12)
备注: This work is published in IEEE Robotics and Automation Letters
期刊: IEEE Robotics and Automation Letters (2024)
💡 一句话要点
针对腿足机器人快速全身模型预测控制，提出精度可调的解决方案
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 腿足机器人 非线性优化 交替方向乘子法 控制障碍函数 实时控制 全身控制
📋 核心要点
- 高维全身NMPC实时部署面临不等式约束带来的迭代挑战，现有方法难以兼顾速度与精度。
- 利用ADMM快速求解低精度二次规划子问题，并结合控制障碍函数处理自碰撞约束，提升控制效率。
- 实验表明，低精度解对真实机器人已足够，且能显著减少自碰撞，并在MIT人形机器人上成功部署。
📝 摘要（中文）
本文提出了一种针对腿足机器人的全身非线性模型预测控制（NMPC）实现方案，该方案能够以较低的精度快速求解带有通用等式和不等式约束的NMPC问题。该方法没有追求高精度的最优解，而是利用交替方向乘子法（ADMM）快速提供二次规划子问题的低精度解。大量的仿真结果表明，由于动力学离散误差、惯性建模误差和延迟，真实机器人通常无法从高精度解中获益。此外，在NMPC的初始时间步中加入控制障碍函数（CBF）来处理自碰撞约束，在不增加计算负担的情况下，自碰撞次数最多可减少26倍。该控制器在硬件上以90 Hz的频率可靠运行，问题规模为32个时间步、2004个变量和3768个约束。NMPC提供足够精确的解决方案，使MIT人形机器人能够规划复杂的交叉腿和手臂运动，从而在行走和从重大干扰中恢复时增强稳定性。
🔬 方法详解
问题定义：论文旨在解决腿足机器人全身模型预测控制（NMPC）中，由于高维度和复杂约束（尤其是大量不等式约束）导致计算量巨大，难以实现实时控制的问题。现有方法为了追求高精度解，需要进行大量的迭代计算，严重影响了控制器的运行速度，使其难以在实际机器人上部署。
核心思路：论文的核心思路是牺牲NMPC的求解精度，转而追求快速获得一个可行的低精度解。作者认为，由于真实机器人存在动力学建模误差、传感器噪声和执行器延迟等因素，过高的求解精度对于实际控制效果的提升并不明显，反而会增加计算负担。因此，通过降低求解精度，可以显著减少计算时间，从而实现NMPC的实时控制。
技术框架：整体框架是基于NMPC的控制系统，主要包含以下几个模块：1) 状态估计模块：用于估计机器人的当前状态。2) NMPC优化器：使用ADMM算法快速求解低精度的二次规划子问题，得到控制指令。3) 控制执行模块：将控制指令发送给机器人的执行器。4) 控制障碍函数（CBF）：在NMPC的初始时间步中加入CBF，用于处理自碰撞约束。
关键创新：论文的关键创新在于：1) 提出了精度可调的NMPC求解方法，通过ADMM算法快速获得低精度解，显著降低了计算时间。2) 将控制障碍函数（CBF）引入到NMPC中，有效地处理了自碰撞约束，提高了控制器的安全性。3) 通过实验验证了低精度解对于真实机器人控制的有效性，并成功在MIT人形机器人上进行了部署。
关键设计：1) 使用ADMM算法求解二次规划子问题，通过调整ADMM的迭代次数和收敛容差来控制求解精度。2) 在NMPC的初始时间步中加入CBF，将自碰撞约束转化为状态约束，避免了在每个时间步都进行碰撞检测，降低了计算复杂度。3) 针对MIT人形机器人的具体参数和运动需求，对NMPC的参数进行了调整，例如时间步长、控制频率、约束权重等。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法能够在MIT人形机器人上以90Hz的频率稳定运行，问题规模为32个时间步、2004个变量和3768个约束。通过引入控制障碍函数，自碰撞次数最多可减少26倍，显著提高了控制器的安全性。此外，该方法能够使机器人规划复杂的交叉腿和手臂运动，从而在行走和从重大干扰中恢复时增强稳定性。
🎯 应用场景
该研究成果可应用于各种腿足机器人的运动控制，尤其是在需要快速响应和处理复杂环境的场景中，例如人形机器人的行走、奔跑、跳跃和攀爬等。此外，该方法还可以扩展到其他高维、多约束的优化问题，例如机器人操作、自动驾驶和能源管理等领域，具有广阔的应用前景。
📄 摘要（原文）
Thanks to recent advancements in accelerating non-linear model predictive control (NMPC), it is now feasible to deploy whole-body NMPC at real-time rates for humanoid robots. However, enforcing inequality constraints in real time for such high-dimensional systems remains challenging due to the need for additional iterations. This paper presents an implementation of whole-body NMPC for legged robots that provides low-accuracy solutions to NMPC with general equality and inequality constraints. Instead of aiming for highly accurate optimal solutions, we leverage the alternating direction method of multipliers to rapidly provide low-accuracy solutions to quadratic programming subproblems. Our extensive simulation results indicate that real robots often cannot benefit from highly accurate solutions due to dynamics discretization errors, inertial modeling errors and delays. We incorporate control barrier functions (CBFs) at the initial timestep of the NMPC for the self-collision constraints, resulting in up to a 26-fold reduction in the number of self-collisions without adding computational burden. The controller is reliably deployed on hardware at 90 Hz for a problem involving 32 timesteps, 2004 variables, and 3768 constraints. The NMPC delivers sufficiently accurate solutions, enabling the MIT Humanoid to plan complex crossed-leg and arm motions that enhance stability when walking and recovering from significant disturbances.