Reduced-Order Model Guided Contact-Implicit Model Predictive Control for Humanoid Locomotion

📄 arXiv: 2502.15630v1 📥 PDF

作者: Sergio A. Esteban, Vince Kurtz, Adrian B. Ghansah, Aaron D. Ames

分类: cs.RO

发布日期: 2025-02-21

💡 一句话要点

结合降阶模型与接触隐式MPC的人形机器人运动控制

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 人形机器人 模型预测控制 接触隐式 降阶模型 步态规划 全身控制

📋 核心要点

  1. 人形机器人控制面临高维非线性混合动力学的挑战，传统方法如HLIP简化了模型，但牺牲了全身表达能力。
  2. 该论文提出了一种结合HLIP和CI-MPC的控制框架，利用HLIP生成标称步态，CI-MPC管理全身动力学和接触计划。
  3. 实验结果表明，该框架在粗糙地形行走、扰动恢复和与环境交互方面表现出色，并能以50Hz实时运行。

📝 摘要（中文）

由于能够在为人类建造的环境中操作，人形机器人具有巨大的现实应用潜力。然而，控制其底层高维非线性混合动力学是一个挑战，阻碍了它们的部署。混合线性倒立摆（HLIP）等降阶模型虽然简单且计算高效，但缺乏全身表达能力。同时，接触隐式模型预测控制（CI-MPC）的最新进展使机器人能够规划通过多个混合接触模式，但仍然容易受到局部最小值的影响，并且需要大量的调整。我们提出了一种结合HLIP和CI-MPC优势的控制框架。降阶模型生成标称步态，而CI-MPC管理全身动力学并根据需要修改接触计划。我们通过一个新型的24自由度人形机器人Achilles的仿真，证明了该方法的有效性。我们提出的框架实现了粗糙地形行走、扰动恢复、模型和状态不确定性下的鲁棒性，并允许机器人在环境中与障碍物交互，所有这些都在50 Hz的实时在线运行。

🔬 方法详解

问题定义：人形机器人控制的核心问题在于其高维、非线性、混合动力学特性，这使得实时全身运动规划和控制变得非常困难。传统的降阶模型（如HLIP）虽然计算效率高，但无法充分表达全身运动的复杂性。而接触隐式MPC虽然能够处理多接触模式，但容易陷入局部最优，且需要大量的人工调整。

核心思路：该论文的核心思路是将降阶模型（HLIP）的全局规划能力与接触隐式MPC的全身动力学优化能力相结合。HLIP负责生成一个粗略的、全局一致的步态轨迹，作为CI-MPC的参考。CI-MPC则在此基础上，利用全身动力学模型，对接触力和关节轨迹进行优化，从而实现精确的运动控制和环境交互。这种结合利用了两种方法的优势，避免了各自的缺点。

技术框架：该控制框架主要包含两个模块：1) 基于HLIP的步态规划器：该模块根据期望的运动速度和方向，生成一个标称的步态轨迹，包括脚的位置和时间。2) 基于CI-MPC的全身运动控制器：该模块以HLIP生成的步态轨迹为参考，利用全身动力学模型，通过求解一个优化问题，计算出最优的关节力矩和接触力。该优化问题考虑了多种约束，包括关节力矩限制、接触力限制、以及零力矩点（ZMP）约束等。整个框架以50Hz的频率实时运行。

关键创新：该论文的关键创新在于将降阶模型与接触隐式MPC相结合，实现了一种高效、鲁棒的人形机器人控制方法。与传统的基于降阶模型的控制方法相比，该方法能够更好地处理全身动力学和环境交互。与传统的CI-MPC方法相比，该方法通过HLIP提供的全局参考，避免了局部最优问题，并减少了人工调整的需求。

关键设计：在CI-MPC模块中，采用了二次规划（QP）求解器来实时求解优化问题。损失函数包括跟踪HLIP生成的步态轨迹的误差项、关节力矩的正则化项、以及接触力的正则化项。权重参数需要根据具体的机器人和任务进行调整。此外，为了提高鲁棒性，还引入了状态估计器来估计机器人的状态，并将其反馈到CI-MPC中。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该论文通过仿真实验验证了所提出控制框架的有效性。实验结果表明，该框架能够使24自由度人形机器人Achilles在粗糙地形上行走，并能够有效地抵抗外部扰动。此外，该框架还允许机器人在环境中与障碍物进行交互，所有这些都在50 Hz的实时在线运行。这些结果表明，该方法具有很强的实用价值。

🎯 应用场景

该研究成果可应用于各种人形机器人应用场景，例如：在复杂地形或拥挤环境中行走、搬运重物、执行搜救任务、以及与人类进行安全交互。通过结合全局规划和局部优化，该方法能够提高人形机器人的运动能力和适应性，使其能够更好地服务于人类。

📄 摘要（原文）

Humanoid robots have great potential for real-world applications due to their ability to operate in environments built for humans, but their deployment is hindered by the challenge of controlling their underlying high-dimensional nonlinear hybrid dynamics. While reduced-order models like the Hybrid Linear Inverted Pendulum (HLIP) are simple and computationally efficient, they lose whole-body expressiveness. Meanwhile, recent advances in Contact-Implicit Model Predictive Control (CI-MPC) enable robots to plan through multiple hybrid contact modes, but remain vulnerable to local minima and require significant tuning. We propose a control framework that combines the strengths of HLIP and CI-MPC. The reduced-order model generates a nominal gait, while CI-MPC manages the whole-body dynamics and modifies the contact schedule as needed. We demonstrate the effectiveness of this approach in simulation with a novel 24 degree-of-freedom humanoid robot: Achilles. Our proposed framework achieves rough terrain walking, disturbance recovery, robustness under model and state uncertainty, and allows the robot to interact with obstacles in the environment, all while running online in real-time at 50 Hz.