Hierarchical Adaptive Motion Planning with Nonlinear Model Predictive Control for Safety-Critical Collaborative Loco-Manipulation
作者: Mohsen Sombolestan, Quan Nguyen
分类: cs.RO
发布日期: 2024-11-16
🔗 代码/项目: GITHUB
💡 一句话要点
提出基于非线性模型预测控制的分层自适应运动规划，用于安全关键的协作式移动操作
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 协作式移动操作 非线性模型预测控制 控制障碍函数 分层控制 四足机器人
📋 核心要点
- 协作式移动操作对于处理单个机器人无法完成的大型重物至关重要，但保证任务安全性是关键挑战。
- 论文提出一种分层控制系统，利用高层非线性模型预测控制进行全局规划，底层分散式控制器保证稳定运动和操作。
- 仿真和真实机器人实验验证了该方法在复杂环境中操纵未知物体的有效性，并开源了代码。
📝 摘要（中文）
本文提出了一种用于四足机器人团队进行物体操作的分层控制系统。该系统结合了运动规划器和分散式运动控制器，实现了复杂场景中团队的安全自适应规划。高层非线性模型预测控制规划器通过结合控制障碍函数，考虑静态和动态障碍物，生成无碰撞路径。该过程涉及计算接触点和力，同时适应未知的物体和地形属性。分散式运动控制器确保每个机器人根据规划器的指导保持稳定的运动和操作。通过在各种条件下的仿真和真实机器人硬件的实验验证了该方法的有效性。通过修改物体的配置，机器人团队可以在包含静态和动态障碍物的环境中操纵未知物体。代码已开源。
🔬 方法详解
问题定义：论文旨在解决多足机器人团队在复杂环境中进行协作式移动操作时，如何安全、自适应地搬运未知物体的问题。现有方法在处理动态障碍物、未知地形以及保证多机器人协作安全方面存在不足。尤其是在保证运动规划的实时性和适应未知环境方面面临挑战。
核心思路：论文的核心思路是采用分层控制架构，将全局运动规划和局部运动控制解耦。高层规划器负责生成全局无碰撞路径，并考虑静态和动态障碍物，以及未知的物体和地形属性。底层控制器则负责根据高层规划器的指导，实现每个机器人的稳定运动和操作。这种分层结构允许系统在保证安全性的前提下，对环境变化做出快速响应。
技术框架：该方法的技术框架主要包括以下几个模块：1) 高层非线性模型预测控制(NMPC)规划器：负责生成全局无碰撞路径，并考虑静态和动态障碍物。2) 控制障碍函数(CBF)：用于保证机器人在运动过程中的安全性，避免碰撞。3) 分散式运动控制器：负责根据高层规划器的指导，实现每个机器人的稳定运动和操作。4) 接触点和力计算模块：用于计算机器人与物体之间的接触点和力，以便进行精确的操作。
关键创新：该方法的主要创新点在于：1) 提出了一种基于控制障碍函数(CBF)的非线性模型预测控制(NMPC)规划器，能够有效地保证机器人在运动过程中的安全性。2) 采用分层控制架构，将全局运动规划和局部运动控制解耦，提高了系统的实时性和适应性。3) 能够适应未知的物体和地形属性，使得机器人团队能够在复杂环境中进行协作式移动操作。
关键设计：在高层NMPC规划器中，控制障碍函数被用来约束机器人的状态，以避免碰撞。目标函数则被设计为最小化机器人的运动时间和能量消耗。在分散式运动控制器中，采用了力/位混合控制策略，以实现精确的操作。此外，还设计了一种自适应算法，用于估计未知的物体和地形属性。
🖼️ 关键图片
📊 实验亮点
通过仿真和真实机器人实验验证了该方法的有效性。实验结果表明，该方法能够在复杂环境中安全、自适应地操纵未知物体。例如，在包含静态和动态障碍物的环境中，机器人团队能够成功地将物体搬运到目标位置，且没有发生碰撞。此外，该方法还能够适应未知的地形属性，使得机器人团队能够在不平坦的地面上稳定地行走和操作。
🎯 应用场景
该研究成果可应用于工业自动化、建筑施工、灾难救援等领域。例如，在工业自动化中，机器人团队可以用于搬运大型重物，提高生产效率。在建筑施工中，机器人团队可以用于搭建建筑物，降低人工成本。在灾难救援中，机器人团队可以用于搜寻幸存者，减少人员伤亡。该研究的未来影响在于推动机器人技术在复杂环境中的应用，提高生产效率和安全性。
📄 摘要（原文）
As legged robots take on roles in industrial and autonomous construction, collaborative loco-manipulation is crucial for handling large and heavy objects that exceed the capabilities of a single robot. However, ensuring the safety of these multi-robot tasks is essential to prevent accidents and guarantee reliable operation. This paper presents a hierarchical control system for object manipulation using a team of quadrupedal robots. The combination of the motion planner and the decentralized locomotion controller in a hierarchical structure enables safe, adaptive planning for teams in complex scenarios. A high-level nonlinear model predictive control planner generates collision-free paths by incorporating control barrier functions, accounting for static and dynamic obstacles. This process involves calculating contact points and forces while adapting to unknown objects and terrain properties. The decentralized loco-manipulation controller then ensures each robot maintains stable locomotion and manipulation based on the planner's guidance. The effectiveness of our method is carefully examined in simulations under various conditions and validated in real-life setups with robot hardware. By modifying the object's configuration, the robot team can maneuver unknown objects through an environment containing both static and dynamic obstacles. We have made our code publicly available in an open-source repository at \url{https://github.com/DRCL-USC/collaborative_loco_manipulation}.