RAKOMO: Reachability-Aware K-Order Markov Path Optimization for Quadrupedal Loco-Manipulation

📄 arXiv: 2507.19652v1 📥 PDF

作者: Mattia Risiglione, Abdelrahman Abdalla, Victor Barasuol, Kim Tien Ly, Ioannis Havoutis, Claudio Semini

分类: cs.RO, eess.SY

发布日期: 2025-07-25

💡 一句话要点

RAKOMO：面向四足机器人Loco-Manipulation的可达性感知K阶马尔可夫路径优化

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 四足机器人 Loco-Manipulation 运动规划 可达性分析 K阶马尔可夫优化

📋 核心要点

  1. 四足操作机器人的运动规划面临混合动力学和腿部运动限制的挑战，传统方法难以兼顾计算效率和运动学约束。
  2. RAKOMO方法将K阶马尔可夫优化与可达性裕度相结合，利用神经网络预测并优化裕度，从而实现快速收敛。
  3. 仿真实验表明，RAKOMO在HyQReal机器人上成功执行了抓取放置任务，验证了其在Loco-Manipulation任务中的有效性。

📝 摘要（中文）

本文提出了一种名为RAKOMO的路径优化技术，用于解决配备机械臂的四足机器人在执行操作任务时面临的运动规划挑战。RAKOMO结合了K阶马尔可夫优化（KOMO）的优势，并引入了基于可达区域（定义为可达性裕度）的运动学感知准则。该方法利用神经网络预测可达性裕度，并将其整合到标准的KOMO公式中进行优化。这种方法能够快速收敛基于梯度的运动规划，并有效地适应四足机器人，从而成功执行Loco-Manipulation任务。通过对配备Kinova Gen3机械臂的HyQReal四足机器人进行抓取放置任务的仿真，RAKOMO与基线KOMO方法进行了基准测试。

🔬 方法详解

问题定义：四足机器人Loco-Manipulation任务需要同时考虑运动学约束和动力学约束，传统的轨迹优化方法难以在计算效率和精度之间取得平衡。特别是，由于接触不连续性引入的混合动力学以及腿部运动范围的限制，使得运动规划变得复杂。现有的方法往往忽略腿部限制，或者难以快速收敛。

核心思路：RAKOMO的核心思路是将运动学约束（特别是可达性）显式地融入到轨迹优化过程中。通过预测可达性裕度，并将其作为优化目标的一部分，引导优化器生成满足运动学约束的轨迹。同时，利用K阶马尔可夫优化（KOMO）的框架，保证轨迹的光滑性和动力学可行性。

技术框架：RAKOMO的整体框架包括以下几个主要模块：1) 基于K阶马尔可夫优化的轨迹表示；2) 神经网络可达性裕度预测器；3) 将可达性裕度作为优化目标整合到KOMO框架中；4) 基于梯度的优化求解器。首先，使用KOMO对轨迹进行初步规划。然后，利用神经网络预测轨迹上每个状态的可达性裕度。最后，将可达性裕度作为惩罚项加入到KOMO的优化目标中，通过梯度下降法进行优化。

关键创新：RAKOMO的关键创新在于将可达性裕度预测与K阶马尔可夫优化相结合。与传统的运动规划方法相比，RAKOMO能够显式地考虑运动学约束，并利用神经网络加速优化过程。此外，RAKOMO通过将可达性裕度作为优化目标，避免了硬约束带来的优化难题。

关键设计：神经网络可达性裕度预测器是RAKOMO的关键组成部分。该网络以机器人的状态（例如，关节角度、末端执行器位置）作为输入，输出可达性裕度。网络的结构和训练数据对预测精度有重要影响。此外，可达性裕度在KOMO优化目标中的权重也需要仔细调整，以平衡运动学约束和动力学约束。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，RAKOMO能够有效地解决四足机器人的Loco-Manipulation问题。在抓取放置任务中，RAKOMO相比于基线KOMO方法，能够生成更加安全和可行的轨迹。具体来说，RAKOMO能够显著提高任务成功率，并降低违反运动学约束的程度。虽然论文中没有给出具体的数值提升，但定性结果表明RAKOMO在复杂场景下具有更好的性能。

🎯 应用场景

RAKOMO技术可应用于各种四足机器人Loco-Manipulation任务，例如在复杂环境中进行搜索救援、搬运重物、以及执行精细操作。该技术还可以扩展到其他类型的机器人，例如人形机器人和多臂机器人，提高其在复杂环境中的适应性和操作能力。未来，RAKOMO有望在工业自动化、医疗康复等领域发挥重要作用。

📄 摘要（原文）

Legged manipulators, such as quadrupeds equipped with robotic arms, require motion planning techniques that account for their complex kinematic constraints in order to perform manipulation tasks both safely and effectively. However, trajectory optimization methods often face challenges due to the hybrid dynamics introduced by contact discontinuities, and tend to neglect leg limitations during planning for computational reasons. In this work, we propose RAKOMO, a path optimization technique that integrates the strengths of K-Order Markov Optimization (KOMO) with a kinematically-aware criterion based on the reachable region defined as reachability margin. We leverage a neural-network to predict the margin and optimize it by incorporating it in the standard KOMO formulation. This approach enables rapid convergence of gradient-based motion planning -- commonly tailored for continuous systems -- while adapting it effectively to legged manipulators, successfully executing loco-manipulation tasks. We benchmark RAKOMO against a baseline KOMO approach through a set of simulations for pick-and-place tasks with the HyQReal quadruped robot equipped with a Kinova Gen3 robotic arm.