Model Predictive Control with Visibility Graphs for Humanoid Path Planning and Tracking Against Adversarial Opponents

📄 arXiv: 2504.02184v2 📥 PDF

作者: Ruochen Hou, Gabriel I. Fernandez, Mingzhang Zhu, Dennis W. Hong

分类: cs.RO, eess.SY

发布日期: 2025-04-03 (更新: 2025-04-29)

备注: This is a preprint version. This paper has been accepted to IEEE International Conference on Robotics and Automation (ICRA) 2025. The final published version will be available on IEEE Xplore

💡 一句话要点

针对对抗环境，提出基于动态增广可见性图和模型预测控制的人形机器人路径规划与跟踪方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 人形机器人 路径规划 模型预测控制 动态避障 可见性图 RoboCup 实时控制

📋 核心要点

  1. 人形机器人足球赛中，在噪声干扰和有限视野下，实时避障和路径规划面临挑战，传统方法难以兼顾效率和精度。
  2. 提出动态增广可见性图(DAVG)进行长期路径规划，并结合无碰撞模型预测控制(cf-MPC)进行短期轨迹跟踪，实现快速响应。
  3. 该方法在RoboCup 2024比赛中表现出色，以6:1赢得冠军，非线性公式运行频率达120Hz，二次公式达400Hz。

📝 摘要（中文）

本文详细介绍了用于避障、路径规划和轨迹跟踪的方法，这些方法帮助我们在RoboCup 2024成人尺寸自主人形机器人足球联赛中获胜。我们的团队在所有坐姿比赛中保持不败，并在6场比赛中攻入45球，以6比1赢得冠军赛。比赛中，碰撞避免的一个主要挑战是来自双足运动和有限视野(FOV)的测量噪声。此外，障碍物会零星地跳入和跳出我们计划的轨迹。有时，我们的估计器会将我们的机器人置于硬约束中。本次比赛中的任何规划器都必须具有足够的计算效率，以便实时重新规划和做出反应。这促使我们采用轨迹生成和跟踪方法。在许多情况下，需要长期和短期规划。为了有效地找到避开所有障碍物的长期通用路径，我们开发了DAVG(动态增广可见性图)。DAVG通过基于障碍物和期望的目标姿态设置某些区域为活动状态，从而专注于必要的路径规划。通过增加图中的状态，考虑了转弯角度，这对于大型足球机器人来说至关重要，因为转弯可能代价更高。轨迹是通过线性插值DAVG生成的离散点形成的。然后使用改进版的模型预测控制(MPC)来跟踪这个轨迹，称为cf-MPC(无碰撞MPC)。这确保了短期规划。在不切换公式的情况下，cf-MPC考虑了机器人动力学和无碰撞约束。在没有硬切换的情况下，当噪声将我们的机器人置于约束边界内时，控制输入可以平滑过渡。非线性公式的运行速度约为120 Hz，而二次公式的运行速度约为400 Hz。

🔬 方法详解

问题定义：在人形机器人足球比赛中，需要在动态环境中进行实时的路径规划和轨迹跟踪，同时避开障碍物（包括其他机器人）。现有的方法可能无法有效地处理来自双足运动和有限视野的测量噪声，并且难以在计算效率和避障精度之间取得平衡。此外，当估计器将机器人置于硬约束中时，如何平滑过渡也是一个挑战。

核心思路：论文的核心思路是将长期路径规划和短期轨迹跟踪相结合。使用动态增广可见性图（DAVG）进行全局路径规划，快速找到避开障碍物的可行路径。然后，使用无碰撞模型预测控制（cf-MPC）对DAVG生成的轨迹进行局部优化和跟踪，确保机器人能够动态地避开障碍物并保持平衡。DAVG考虑了转弯角度，这对于大型机器人来说至关重要。

技术框架：该方法包含两个主要模块：DAVG路径规划和cf-MPC轨迹跟踪。首先，DAVG根据障碍物和目标位置生成一个粗略的全局路径。然后，cf-MPC以DAVG生成的路径为参考，进行局部轨迹优化，同时考虑机器人动力学和无碰撞约束。整个过程可以实时运行，保证机器人在动态环境中快速响应。

关键创新：该方法的关键创新在于DAVG和cf-MPC的结合。DAVG通过动态地调整可见性图的结构，提高了路径规划的效率。cf-MPC在模型预测控制中直接考虑了碰撞避免约束，避免了传统方法中需要切换控制策略的问题，保证了控制输入的平滑性。

关键设计：DAVG的关键设计在于增广状态，考虑了转弯角度，这对于大型机器人来说至关重要。cf-MPC的关键设计在于将碰撞避免约束直接融入到MPC的优化问题中，避免了硬切换。非线性公式和二次公式分别以120Hz和400Hz的频率运行，满足了实时性要求。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该方法在RoboCup 2024成人尺寸自主人形机器人足球联赛中表现出色，团队在所有坐姿比赛中保持不败，并在6场比赛中攻入45球，以6比1赢得冠军赛。非线性公式的运行速度约为120 Hz，而二次公式的运行速度约为400 Hz，满足了实时性要求。

🎯 应用场景

该研究成果可应用于人形机器人足球、服务机器人、自动驾驶等领域。在这些场景中，机器人需要在动态环境中进行自主导航和避障。该方法能够提高机器人在复杂环境中的适应性和安全性，具有重要的实际应用价值。

📄 摘要（原文）

In this paper we detail the methods used for obstacle avoidance, path planning, and trajectory tracking that helped us win the adult-sized, autonomous humanoid soccer league in RoboCup 2024. Our team was undefeated for all seated matches and scored 45 goals over 6 games, winning the championship game 6 to 1. During the competition, a major challenge for collision avoidance was the measurement noise coming from bipedal locomotion and a limited field of view (FOV). Furthermore, obstacles would sporadically jump in and out of our planned trajectory. At times our estimator would place our robot inside a hard constraint. Any planner in this competition must also be be computationally efficient enough to re-plan and react in real time. This motivated our approach to trajectory generation and tracking. In many scenarios long-term and short-term planning is needed. To efficiently find a long-term general path that avoids all obstacles we developed DAVG (Dynamic Augmented Visibility Graphs). DAVG focuses on essential path planning by setting certain regions to be active based on obstacles and the desired goal pose. By augmenting the states in the graph, turning angles are considered, which is crucial for a large soccer playing robot as turning may be more costly. A trajectory is formed by linearly interpolating between discrete points generated by DAVG. A modified version of model predictive control (MPC) is used to then track this trajectory called cf-MPC (Collision-Free MPC). This ensures short-term planning. Without having to switch formulations cf-MPC takes into account the robot dynamics and collision free constraints. Without a hard switch the control input can smoothly transition in cases where the noise places our robot inside a constraint boundary. The nonlinear formulation runs at approximately 120 Hz, while the quadratic version achieves around 400 Hz.