Wallbounce : Push wall to navigate with Contact-Implicit MPC
作者: Xiaohan Liu, Cunxi Dai, John Z. Zhang, Arun Bishop, Zachary Manchester, Ralph Hollis
分类: cs.RO
发布日期: 2024-11-03
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出基于接触隐式MPC的Wallbounce方法，提升球形机器人的运动灵活性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 接触隐式MPC 模型预测控制 球形机器人 运动规划 非周期性接触 机器人控制 Wallbounce
📋 核心要点
- 传统方法难以实时处理非周期性接触运动规划，限制了机器人高机动性。
- 采用双层接触隐式规划器和混合模型预测控制器，实现运动规划和执行。
- 实验证明，该方法使球形机器人能够利用手臂进行加速、减速和动态避障。
📝 摘要（中文）
本文提出了一种框架，通过非周期性接触实现高机动性的运动。由于难以实时指定接触模式序列，这对传统的优化和规划方法来说是一个挑战。为了解决这个问题，我们使用双层接触隐式规划器和混合模型预测控制器来起草和执行运动计划。我们研究了这种方法如何使我们能够在shmoobot（一种较小的球形机器人）上规划手臂接触事件，该机器人使用反向鼠标球驱动来实现低数量执行器的动态平衡。通过多个实验，我们展示了手臂如何实现单独使用鼠标球驱动无法实现的加速、减速和动态避障。这表明，通过利用通常仅用于操作的机器人手臂，一种整体的运动方法可以在不增加额外硬件的情况下提高独特机器人形态的控制权限。
🔬 方法详解
问题定义：现有方法难以实时处理非周期性接触运动规划，尤其是在机器人与环境存在复杂接触时，很难预先确定接触序列，导致运动规划效率和鲁棒性降低。对于像球形机器人这样驱动能力有限的平台，如何利用环境接触来扩展其运动能力是一个挑战。
核心思路：论文的核心思路是利用机器人手臂与环境的接触（例如推墙）来增强机器人的运动能力。通过接触隐式模型预测控制（Contact-Implicit MPC），将接触力作为优化变量，避免了预先指定接触序列的需要，从而能够实时规划和执行复杂的非周期性接触运动。
技术框架：该方法采用双层规划框架。上层规划器使用接触隐式模型预测控制（CI-MPC）生成粗略的运动轨迹，该轨迹考虑了接触动力学，但计算成本较高。下层控制器使用混合模型预测控制（Hybrid MPC）对上层轨迹进行跟踪和修正，同时处理实际的机器人动力学和约束。整体流程是：首先，上层CI-MPC规划器生成一个可行的运动计划，然后下层Hybrid MPC控制器执行该计划，并根据实际情况进行调整。
关键创新：关键创新在于将接触隐式MPC应用于球形机器人的运动规划，并结合双层规划框架，实现了实时、鲁棒的非周期性接触运动控制。与传统的基于预定义接触序列的方法相比，该方法能够自动探索和利用环境中的接触点，从而提高了机器人的运动灵活性和适应性。
关键设计：上层CI-MPC规划器使用简化的机器人动力学模型，并将接触力作为优化变量。下层Hybrid MPC控制器使用更精确的机器人动力学模型，并考虑了执行器的限制。关键参数包括MPC的预测时域长度、控制频率、以及接触力的约束范围。损失函数的设计需要平衡运动轨迹的跟踪精度、接触力的平滑性以及执行器的能量消耗。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法能够使球形机器人利用手臂与墙壁的接触实现加速、减速和动态避障，这些功能是仅依靠鼠标球驱动无法实现的。通过Wallbounce，机器人能够更灵活地控制自身运动，并在复杂环境中完成任务。项目网站提供了实验视频，展示了机器人在不同场景下的运动能力。
🎯 应用场景
该研究成果可应用于各种需要高机动性和环境交互的机器人平台，例如：在狭窄或拥挤环境中进行导航的机器人、需要利用墙壁或障碍物进行支撑或推动的机器人、以及需要在复杂地形中进行运动的机器人。该方法可以提高机器人在这些场景下的运动效率和鲁棒性，扩展其应用范围。
📄 摘要（原文）
In this work, we introduce a framework that enables highly maneuverable locomotion using non-periodic contacts. This task is challenging for traditional optimization and planning methods to handle due to difficulties in specifying contact mode sequences in real-time. To address this, we use a bi-level contact-implicit planner and hybrid model predictive controller to draft and execute a motion plan. We investigate how this method allows us to plan arm contact events on the shmoobot, a smaller ballbot, which uses an inverse mouse-ball drive to achieve dynamic balancing with a low number of actuators. Through multiple experiments we show how the arms allow for acceleration, deceleration and dynamic obstacle avoidance that are not achievable with the mouse-ball drive alone. This demonstrates how a holistic approach to locomotion can increase the control authority of unique robot morpohologies without additional hardware by leveraging robot arms that are typically used only for manipulation. Project website: https://cmushmoobot.github.io/Wallbounce