Discrete time model predictive control for humanoid walking with step adjustment

📄 arXiv: 2410.06790v2 📥 PDF

作者: Vishnu Joshi, Suraj Kumar, Nithin V, Shishir Kolathaya

分类: cs.RO

发布日期: 2024-10-09 (更新: 2024-10-18)

备注: 6 pages, 17 figures, 1 table

💡 一句话要点

提出基于离散时间MPC的人形机器人步态控制方法，实现步长在线调整和抗扰动行走。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 人形机器人 步态控制 模型预测控制 线性倒立摆模型 任务空间控制

📋 核心要点

  1. 现有MPC方法依赖预定义的足迹计划或CoP轨迹，限制了其适应性和鲁棒性。
  2. 论文提出一种分层MPC，高层基于LIPM确定落脚点和CoM运动，底层TSC跟踪期望运动。
  3. 仿真结果表明，该方法能生成稳定步态，有效抵抗外部扰动，防止机器人跌倒。

📝 摘要（中文）

本文提出了一种用于人形机器人步行的离散时间模型预测控制器（MPC），该控制器能够在线调整步长。所提出的控制器采用分层控制方法。高层控制器利用低维线性倒立摆模型（LIPM）来确定期望的落脚点和质心（CoM）运动，以防止跌倒并维持期望的速度。然后，任务空间控制器（TSC）利用人形机器人的全身动力学来跟踪从高层控制器获得的期望运动。我们的方法与现有的步态模式生成MPC方法不同，它不依赖于预定义的足迹计划或参考压力中心（CoP）轨迹。整个方法在扭矩控制的人形机器人上进行了仿真测试。结果表明，所提出的控制方法能够生成稳定的行走，并防止受到推力扰动时跌倒。

🔬 方法详解

问题定义：现有的人形机器人步态生成方法，特别是基于模型预测控制（MPC）的方法，通常依赖于预先定义的足迹计划或参考压力中心（CoP）轨迹。这种依赖性限制了机器人在复杂环境中的适应性和鲁棒性，难以应对未知的外部扰动，容易导致机器人跌倒。因此，需要一种能够在线调整步长，并对外部扰动具有较强鲁棒性的步态控制方法。

核心思路：本文的核心思路是采用一种分层控制结构，将步态生成问题分解为高层规划和底层控制两个层次。高层控制器负责生成全局的步态计划，包括落脚点的位置和质心（CoM）的运动轨迹，目标是维持机器人的平衡和期望的运动速度。底层控制器则负责跟踪高层控制器生成的轨迹，利用机器人的全身动力学来实现期望的运动。这种分层结构使得控制器能够在线调整步长，并对外部扰动做出快速响应。

技术框架：该方法采用分层控制框架，包含以下两个主要模块： 1. 高层控制器（High-Level Controller）：基于线性倒立摆模型（LIPM），以期望的行走速度和平衡为目标，预测未来一段时间内的CoM轨迹和落脚点位置。该控制器通过优化算法，在满足约束条件（如步长限制、平衡约束）的情况下，确定最优的CoM轨迹和落脚点。该模块不依赖预定义的足迹计划。 2. 任务空间控制器（Task Space Controller, TSC）：利用人形机器人的全身动力学模型，跟踪高层控制器生成的CoM轨迹和落脚点位置。该控制器通过计算关节力矩，驱动机器人实现期望的运动。

关键创新：该方法最重要的创新点在于其在线步长调整能力和对预定义足迹计划的解耦。与传统的MPC方法不同，该方法不依赖于预先设定的足迹计划或CoP轨迹，而是通过高层控制器在线生成落脚点位置，从而能够更好地适应复杂环境和外部扰动。这种在线调整能力使得机器人能够更灵活地调整步态，维持平衡。

关键设计： 1. 线性倒立摆模型（LIPM）：采用简化的LIPM模型进行高层规划，降低了计算复杂度，提高了控制器的实时性。 2. 离散时间MPC：采用离散时间MPC，便于在实际机器人系统上实现。 3. 分层控制结构：将步态生成问题分解为高层规划和底层控制，降低了控制器的设计难度。 4. 优化目标函数：高层控制器的优化目标函数包含CoM轨迹跟踪误差、落脚点位置调整代价和控制输入代价，通过调整这些代价的权重，可以平衡机器人的平衡性和运动性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该方法在仿真环境中进行了测试，结果表明，所提出的控制方法能够生成稳定的行走步态，并有效抵抗外部推力扰动。实验结果验证了该方法在步态稳定性和抗扰动能力方面的有效性。虽然论文中没有给出具体的性能数据，但仿真结果表明该方法能够防止机器人跌倒，并维持期望的行走速度。

🎯 应用场景

该研究成果可应用于各种人形机器人步态控制场景，尤其适用于复杂地形或存在外部扰动的环境。例如，在灾难救援、物流搬运、家庭服务等领域，该方法可以提高人形机器人的行走稳定性和适应性，使其能够更好地完成任务。此外，该方法还可以作为人形机器人运动规划的基础，进一步扩展到更复杂的运动控制任务。

📄 摘要（原文）

This paper presents a Discrete-Time Model Predictive Controller (MPC) for humanoid walking with online footstep adjustment. The proposed controller utilizes a hierarchical control approach. The high-level controller uses a low-dimensional Linear Inverted Pendulum Model (LIPM) to determine desired foot placement and Center of Mass (CoM) motion, to prevent falls while maintaining the desired velocity. A Task Space Controller (TSC) then tracks the desired motion obtained from the high-level controller, exploiting the whole-body dynamics of the humanoid. Our approach differs from existing MPC methods for walking pattern generation by not relying on a predefined foot-plan or a reference center of pressure (CoP) trajectory. The overall approach is tested in simulation on a torque-controlled Humanoid Robot. Results show that proposed control approach generates stable walking and prevents fall against push disturbances.