Is Linear Feedback on Smoothed Dynamics Sufficient for Stabilizing Contact-Rich Plans?

📄 arXiv: 2411.06542v4 📥 PDF

作者: Yuki Shirai, Tong Zhao, H. J. Terry Suh, Huaijiang Zhu, Xinpei Ni, Jiuguang Wang, Max Simchowitz, Tao Pang

分类: cs.RO, cs.AI, eess.SY

发布日期: 2024-11-10 (更新: 2025-05-14)

备注: ICRA2025

DOI: 10.1109/ICRA55743.2025.11127776

💡 一句话要点

研究线性反馈在平滑动力学上对稳定接触丰富操作规划的有效性

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 接触操作 接触平滑 线性反馈控制 LQR 机器人控制 动力学仿真 双臂操作

📋 核心要点

  1. 接触操作规划面临非光滑动力学挑战，传统梯度方法难以直接应用。
  2. 论文研究了基于接触平滑的线性控制器综合方法，用于稳定接触操作规划。
  3. 通过大量实验，分析了LQR在稳定接触丰富规划中的局限性，并提供了未来研究方向。

📝 摘要（中文）

接触操作的规划和控制设计极具挑战性，因为接触违反了许多基于梯度的控制器综合工具所假设的平滑条件。接触平滑用平滑系统近似非平滑系统，从而更有效地使用这些综合工具。然而，将经典控制综合方法应用于平滑后的接触动力学仍然相对未被充分探索。本文分析了使用基于接触平滑的微分模拟器进行线性控制器综合的有效性。我们引入了自然基线，利用接触平滑来计算 (a) 对不确定条件和/或动力学具有鲁棒性的开环规划，以及 (b) 用于稳定开环规划的反馈增益。以机器人双臂全身操作为试验平台，我们对 300 多个轨迹进行了广泛的实证实验，并分析了为什么 LQR 似乎不足以稳定接触丰富的规划。

🔬 方法详解

问题定义：接触操作规划的核心问题在于接触力带来的非光滑性，这使得传统的基于梯度的控制器设计方法难以直接应用。现有的方法通常依赖于复杂的非线性优化或强化学习，计算成本高昂且难以保证稳定性。论文关注的问题是，能否通过对接触动力学进行平滑处理，然后应用简单的线性反馈控制（如LQR）来实现接触操作的稳定控制。现有方法的痛点在于难以在保证稳定性的前提下，实现快速且高效的接触操作规划和控制。

核心思路：论文的核心思路是利用接触平滑技术将非光滑的接触动力学近似为光滑的动力学系统。这样，就可以应用经典的线性控制理论，如LQR，来设计反馈控制器，从而稳定围绕开环规划的轨迹。这种方法的关键在于，通过平滑处理，将复杂的非线性问题转化为相对简单的线性问题，从而降低计算复杂度和控制难度。

技术框架：整体框架包括以下几个主要步骤：1) 使用接触平滑技术对接触动力学进行建模；2) 基于平滑后的动力学模型，生成开环操作轨迹；3) 使用LQR等线性控制方法，计算反馈增益，用于稳定开环轨迹；4) 在机器人平台上进行实验验证，评估控制器的性能。

关键创新：论文的关键创新在于系统性地研究了线性反馈控制在平滑接触动力学上的有效性。虽然接触平滑技术本身不是全新的，但将其与线性控制方法结合，并深入分析其在接触操作中的局限性，是本文的创新之处。此外，论文还提出了利用接触平滑计算鲁棒开环规划的自然基线。

关键设计：论文的关键设计包括：1) 选择合适的接触平滑函数，以保证平滑后的动力学模型能够较好地近似真实的接触动力学；2) 设计合适的开环轨迹生成方法，以保证轨迹的可行性和鲁棒性；3) 选择合适的LQR权重矩阵，以平衡控制性能和控制能量。论文还详细分析了LQR在稳定接触丰富规划中的不足，例如对模型误差的敏感性，以及对高维状态空间的适应性问题。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过在机器人双臂全身操作平台上进行的大量实验（超过300条轨迹）验证了线性反馈控制在平滑接触动力学上的有效性，并深入分析了LQR在稳定接触丰富规划中的局限性。实验结果表明，虽然LQR可以实现一定的稳定效果，但在面对复杂的接触场景和模型误差时，其性能会显著下降。这些实验结果为未来研究更鲁棒的接触操作控制方法提供了重要的参考。

🎯 应用场景

该研究成果可应用于机器人操作、自动化装配、医疗机器人等领域。通过简化接触操作的控制设计，可以提高机器人的操作效率和鲁棒性，使其能够更好地完成复杂的装配任务和医疗手术。未来的研究可以进一步探索非线性控制方法在平滑动力学上的应用，以提高控制性能和鲁棒性。

📄 摘要（原文）

Designing planners and controllers for contact-rich manipulation is extremely challenging as contact violates the smoothness conditions that many gradient-based controller synthesis tools assume. Contact smoothing approximates a non-smooth system with a smooth one, allowing one to use these synthesis tools more effectively. However, applying classical control synthesis methods to smoothed contact dynamics remains relatively under-explored. This paper analyzes the efficacy of linear controller synthesis using differential simulators based on contact smoothing. We introduce natural baselines for leveraging contact smoothing to compute (a) open-loop plans robust to uncertain conditions and/or dynamics, and (b) feedback gains to stabilize around open-loop plans. Using robotic bimanual whole-body manipulation as a testbed, we perform extensive empirical experiments on over 300 trajectories and analyze why LQR seems insufficient for stabilizing contact-rich plans. The video summarizing this paper and hardware experiments is found here: https://youtu.be/HLaKi6qbwQg?si=_zCAmBBD6rGSitm9.