Safety-critical Motion Planning for Collaborative Legged Loco-Manipulation over Discrete Terrain
作者: Mohsen Sombolestan, Quan Nguyen
分类: cs.RO
发布日期: 2024-10-14
💡 一句话要点
针对离散地形上协作式腿足操作，提出安全关键的运动规划方法
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 腿足机器人 协作操作 离散地形 模型预测控制 全身控制
📋 核心要点
- 腿足机器人协作操作面临在复杂环境中保持稳定运动的挑战，尤其是在离散地形和存在障碍物时。
- 该方法采用分层MPC架构，全局MPC负责团队安全轨迹规划和避障，局部MPC负责在离散地形上寻找安全落脚点。
- 通过仿真和硬件实验验证，该方法能够引导机器人团队在离散地形上安全地进行协作操作，并有效避开障碍物。
📝 摘要（中文）
本文提出了一种安全运动规划方法，用于解决腿足机器人在离散地形上进行协作操作未知载荷的问题，同时需要避开障碍物。该方法使用两组模型预测控制器（MPC）作为运动规划器：全局MPC生成包含避障的安全轨迹，而每个机器人的分散式MPC确保在遵循全局轨迹的同时，在离散地形上找到安全的落脚点。然后，模型参考自适应全身控制器（MRA-WBC）跟踪期望路径，补偿来自未知载荷的模型不确定性。我们在Unitree机器人团队的仿真和硬件上验证了该方法。结果表明，我们的方法成功地引导团队通过障碍物，需要平面定位和高度调整，并且所有这些都发生在离散地形上，例如垫脚石。
🔬 方法详解
问题定义：论文旨在解决腿足机器人在离散地形上协作操作未知载荷时，如何进行安全运动规划的问题。现有方法在处理复杂地形、未知载荷以及多机器人协作时，难以保证运动的稳定性和安全性，容易发生碰撞或跌倒等问题。
核心思路：论文的核心思路是采用分层模型预测控制（MPC）框架，将全局路径规划和局部落脚点规划解耦。全局MPC负责生成安全的团队轨迹，考虑避障和协作约束；局部MPC则针对每个机器人，在离散地形上选择安全的落脚点，保证运动稳定性。同时，采用模型参考自适应全身控制器（MRA-WBC）来补偿未知载荷带来的模型不确定性。
技术框架：该方法的技术框架主要包含三个模块：1) 全局MPC：负责生成团队的全局安全轨迹，输入包括环境地图、障碍物信息和协作任务目标，输出为团队的期望运动轨迹。2) 分散式MPC：每个机器人配备一个局部MPC，负责根据全局轨迹和地形信息，选择安全的落脚点，并生成局部运动指令。3) 模型参考自适应全身控制器（MRA-WBC）：负责跟踪期望的运动轨迹，并补偿由于未知载荷带来的模型不确定性。
关键创新：该方法的关键创新在于将分层MPC框架应用于腿足机器人协作操作，并结合模型参考自适应控制来处理未知载荷。与传统的集中式MPC相比，该方法具有更好的可扩展性和鲁棒性。与传统的基于规则的落脚点规划方法相比，该方法能够更好地适应复杂地形和动态环境。
关键设计：全局MPC的目标函数包含轨迹跟踪误差、避障惩罚项和协作约束项。局部MPC的目标函数包含落脚点稳定性惩罚项和轨迹跟踪误差项。MRA-WBC采用自适应律来估计未知载荷的参数，并将其用于补偿控制器的模型误差。具体参数设置（如MPC的预测时域、控制时域、权重系数等）需要根据实际应用场景进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法能够成功引导Unitree机器人团队在离散地形上完成协作操作任务，并有效避开障碍物。在仿真和硬件实验中，机器人团队能够稳定地通过由垫脚石组成的障碍路线，并完成平面定位和高度调整等复杂动作。虽然论文中没有给出具体的性能数据，但实验结果直观地展示了该方法在复杂环境下的有效性和鲁棒性。
🎯 应用场景
该研究成果可应用于工业自动化、建筑施工、搜救等领域。例如，在建筑工地上，多个腿足机器人可以协作搬运建筑材料，克服复杂地形和障碍物，提高施工效率和安全性。在搜救场景中，腿足机器人可以进入危险区域，协作搬运伤员或设备，降低人员伤亡风险。未来，该技术有望进一步推广到更多需要多机器人协作和复杂地形适应的场景。
📄 摘要（原文）
As legged robots are deployed in industrial and autonomous construction tasks requiring collaborative manipulation, they must handle object manipulation while maintaining stable locomotion. The challenge intensifies in real-world environments, where they should traverse discrete terrain, avoid obstacles, and coordinate with other robots for safe loco-manipulation. This work addresses safe motion planning for collaborative manipulation of an unknown payload on discrete terrain while avoiding obstacles. Our approach uses two sets of model predictive controllers (MPCs) as motion planners: a global MPC generates a safe trajectory for the team with obstacle avoidance, while decentralized MPCs for each robot ensure safe footholds on discrete terrain as they follow the global trajectory. A model reference adaptive whole-body controller (MRA-WBC) then tracks the desired path, compensating for model uncertainties from the unknown payload. We validated our method in simulation and hardware on a team of Unitree robots. The results demonstrate that our approach successfully guides the team through obstacle courses, requiring planar positioning and height adjustments, and all happening on discrete terrain such as stepping stones.