Variable Inertia Model Predictive Control for Fast Bipedal Maneuvers
作者: Seung Hyeon Bang, Jaemin Lee, Carlos Gonzalez, Luis Sentis
分类: cs.RO
发布日期: 2024-07-23 (更新: 2024-09-14)
备注: 8pages, 6figures
💡 一句话要点
提出考虑变惯量MPC框架，提升双足机器人快速运动的鲁棒性和灵活性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 双足机器人 模型预测控制 变惯量 质心运动 全身控制
📋 核心要点
- 现有双足机器人控制方法常假设恒定质心惯量，导致模型与实际机器人存在偏差，限制了运动的敏捷性和鲁棒性。
- 论文提出一种考虑变惯量的模型预测控制（MPC）框架，通过质心惯量网络预测MPC范围内的可变质心惯量。
- 通过高保真仿真验证，该框架显著提高了运动性能，实现了更高速度下的稳定行走，优于基线方法。
📝 摘要（中文）
本文提出了一种新颖的控制框架，用于实现敏捷且鲁棒的双足运动，旨在解决全身模型和降阶模型之间的模型差异问题。具体而言，诸如恒定质心惯量之类的假设给运动任务带来了重大挑战和限制。为了增强全身人形机器人的敏捷性和通用性，我们形式化了一个模型预测控制（MPC）问题，该问题在凸优化框架内考虑了人形机器人的可变质心惯量，从而确保了实时操作的计算效率。在所提出的公式中，我们结合了一个质心惯量网络，该网络旨在预测MPC范围内的可变质心惯量，同时考虑了摆动脚轨迹——这是基于ROM的MPC框架中经常被忽略的一个方面。通过将基于MPC的接触力规划与我们的低级全身控制器集成，我们显著提高了运动性能，实现了在基线方法无法达到的更高速度下的稳定行走。通过使用我们的全身双足人形机器人DRACO 3进行的高保真仿真验证了我们提出的框架的有效性，展示了动态行为。
🔬 方法详解
问题定义：现有基于降阶模型（ROM）的模型预测控制（MPC）方法在双足机器人控制中被广泛应用，但通常假设质心惯量恒定。这一假设与实际全身模型存在偏差，尤其是在进行快速、动态的运动时，导致控制性能下降，难以实现敏捷和鲁棒的运动。因此，需要解决的问题是如何在MPC框架中准确考虑双足机器人的可变质心惯量，以提高控制精度和运动性能。
核心思路：论文的核心思路是在MPC框架中显式地考虑双足机器人的可变质心惯量。通过建立一个质心惯量网络，该网络能够根据摆动脚的轨迹预测MPC范围内的质心惯量变化。将预测的质心惯量信息融入到MPC的优化问题中，从而更准确地描述机器人的动力学行为，提高控制器的预测能力和鲁棒性。
技术框架：整体框架包括以下几个主要模块：1) 质心惯量网络：用于预测MPC范围内的可变质心惯量。输入为摆动脚轨迹，输出为质心惯量。2) 模型预测控制（MPC）：基于预测的质心惯量，进行接触力规划，生成期望的质心运动轨迹和接触力。3) 全身控制器：根据MPC的输出，控制机器人的各个关节，实现期望的运动。该框架将MPC的全局规划能力与全身控制器的精确执行能力相结合，实现敏捷且鲁棒的双足运动。
关键创新：最重要的技术创新点在于将可变质心惯量显式地纳入到MPC框架中。与传统的基于恒定质心惯量的MPC方法相比，该方法能够更准确地描述机器人的动力学行为，提高控制器的预测能力和鲁棒性。此外，质心惯量网络的设计也是一个创新点，它能够根据摆动脚的轨迹预测质心惯量变化，为MPC提供更准确的信息。
关键设计：质心惯量网络的设计细节未知，论文中可能未详细描述其网络结构、损失函数等。MPC的优化问题可能采用凸优化方法，以保证计算效率。全身控制器的设计也可能采用现有的成熟方法，如二次规划（QP）等。具体的参数设置和损失函数的设计需要根据实际机器人的动力学特性和运动任务进行调整。
🖼️ 关键图片
📊 实验亮点
通过高保真仿真实验，验证了所提出的框架的有效性。实验结果表明，该框架能够显著提高双足机器人的运动性能，实现了在更高速度下的稳定行走，优于基线方法。具体的性能数据和提升幅度未知，可能在论文中有更详细的描述。
🎯 应用场景
该研究成果可应用于各种双足机器人，尤其是在需要进行快速、动态运动的场景中，如搜救、体育竞技、复杂地形行走等。通过提高双足机器人的运动能力和鲁棒性，可以使其在更广泛的应用领域发挥作用，例如在灾难环境中进行救援，或在工业环境中进行高精度操作。
📄 摘要（原文）
This paper proposes a novel control framework for agile and robust bipedal locomotion, addressing model discrepancies between full-body and reduced-order models. Specifically, assumptions such as constant centroidal inertia have introduced significant challenges and limitations in locomotion tasks. To enhance the agility and versatility of full-body humanoid robots, we formalize a Model Predictive Control (MPC) problem that accounts for the variable centroidal inertia of humanoid robots within a convex optimization framework, ensuring computational efficiency for real-time operations. In the proposed formulation, we incorporate a centroidal inertia network designed to predict the variable centroidal inertia over the MPC horizon, taking into account the swing foot trajectories -- an aspect often overlooked in ROM-based MPC frameworks. By integrating the MPC-based contact wrench planning with our low-level whole-body controller, we significantly improve the locomotion performance, achieving stable walking at higher velocities that are not attainable with the baseline method. The effectiveness of our proposed framework is validated through high-fidelity simulations using our full-body bipedal humanoid robot DRACO 3, demonstrating dynamic behaviors.