Hierarchical Reduced-Order Model Predictive Control for Robust Locomotion on Humanoid Robots

📄 arXiv: 2509.04722v1 📥 PDF

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

分类: cs.RO

发布日期: 2025-09-05

备注: 8 pages, 6 figures, accepted to IEEE-RAS International Conference on Humanoid Robots 2025

💡 一句话要点

提出基于分层降阶模型预测控制的人形机器人鲁棒步态

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 人形机器人 步态控制 模型预测控制 分层控制 降阶模型

📋 核心要点

  1. 人形机器人需要在复杂环境中保持稳定行走，传统方法难以兼顾计算效率和全身动力学。
  2. 论文提出分层模型预测控制框架，上层优化步态参数，中层控制全身姿态，实现高效鲁棒的运动控制。
  3. 实验表明，该方法在多种地形上实现了稳定行走，抗扰动能力显著提升，验证了其有效性。

📝 摘要（中文）

为了使人形机器人在真实环境中实现鲁棒的运动，本文提出了一种计算高效的分层控制框架，该框架基于降阶模型，用于人形机器人的步态控制。该框架能够实现通用的步态规划，并结合手臂和躯干的动力学，从而更好地稳定行走。在高层，我们使用ALIP模型的步间动力学，通过非线性MPC同时优化步周期、步长和踝关节扭矩。ALIP轨迹作为参考，输入到线性MPC框架中，该框架扩展了标准的SRB-MPC，并包含了简化的手臂和躯干动力学。通过在Unitree G1人形机器人上的仿真和硬件实验验证了该方法的性能。所提出的框架中，高层步态规划器以40 Hz运行，中层MPC以500 Hz运行，均使用板载mini-PC。自适应步进时序将抗扰动恢复成功率提高了36%，上身控制改善了偏航扰动的抑制。我们还展示了在各种室内和室外地形（包括草地、石板路和不平坦的体操垫）上的鲁棒运动。

🔬 方法详解

问题定义：人形机器人需要在复杂且未知的环境中实现鲁棒的运动控制。现有的方法通常难以在计算效率和全身动力学之间取得平衡。高精度的全身动力学模型计算量大，难以满足实时性要求；而简化的模型又难以准确描述机器人的运动状态，导致控制性能下降。因此，如何在保证计算效率的前提下，充分利用机器人全身动力学信息，是人形机器人运动控制面临的关键问题。

核心思路：论文的核心思路是采用分层控制结构，将运动控制问题分解为高层步态规划和中层全身姿态控制两个层次。高层使用简化的ALIP模型进行步态规划，生成参考轨迹；中层使用扩展的SRB-MPC，结合简化的手臂和躯干动力学，实现全身姿态的精确控制。通过这种分层结构，可以在保证计算效率的同时，充分利用机器人全身动力学信息，提高运动控制的鲁棒性。

技术框架：该框架包含两个主要模块：高层步态规划器和中层全身姿态控制器。高层步态规划器基于ALIP模型，通过非线性MPC优化步周期、步长和踝关节扭矩，生成参考的质心轨迹和足端位置。中层全身姿态控制器基于线性MPC，以高层规划器生成的轨迹为参考，结合简化的手臂和躯干动力学，控制机器人的全身姿态。两个模块协同工作，实现人形机器人的鲁棒运动控制。

关键创新：该论文的关键创新在于提出了一个分层的降阶模型预测控制框架，该框架能够有效地结合步态规划和全身姿态控制，并在计算效率和控制性能之间取得平衡。具体来说，该框架通过在高层使用简化的ALIP模型进行步态规划，降低了计算复杂度；同时，通过在中层结合简化的手臂和躯干动力学，提高了控制的精度和鲁棒性。此外，该框架还采用了自适应步进时序，进一步提高了抗扰动能力。

关键设计：在高层步态规划器中，采用了非线性MPC，目标函数包括步周期、步长和踝关节扭矩的优化。在中层全身姿态控制器中，采用了线性MPC，并扩展了标准的SRB-MPC，包含了简化的手臂和躯干动力学。自适应步进时序的设计允许机器人根据环境变化调整步周期，从而提高抗扰动能力。具体的参数设置（如MPC的权重系数、ALIP模型的参数等）需要根据具体的机器人和任务进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的分层控制框架在Unitree G1人形机器人上实现了鲁棒的运动控制。自适应步进时序将抗扰动恢复成功率提高了36%，上身控制改善了偏航扰动的抑制。此外，该方法还在各种室内和室外地形（包括草地、石板路和不平坦的体操垫）上实现了稳定行走，验证了其在复杂环境中的适应性。

🎯 应用场景

该研究成果可应用于各种需要人形机器人进行复杂运动的场景，如灾难救援、物流运输、家庭服务等。通过提高人形机器人的运动鲁棒性和适应性，使其能够在各种复杂地形和环境中安全可靠地完成任务，从而拓展人形机器人的应用范围和实际价值。未来，该技术有望进一步发展，实现更智能、更自主的人形机器人。

📄 摘要（原文）

As humanoid robots enter real-world environments, ensuring robust locomotion across diverse environments is crucial. This paper presents a computationally efficient hierarchical control framework for humanoid robot locomotion based on reduced-order models -- enabling versatile step planning and incorporating arm and torso dynamics to better stabilize the walking. At the high level, we use the step-to-step dynamics of the ALIP model to simultaneously optimize over step periods, step lengths, and ankle torques via nonlinear MPC. The ALIP trajectories are used as references to a linear MPC framework that extends the standard SRB-MPC to also include simplified arm and torso dynamics. We validate the performance of our approach through simulation and hardware experiments on the Unitree G1 humanoid robot. In the proposed framework the high-level step planner runs at 40 Hz and the mid-level MPC at 500 Hz using the onboard mini-PC. Adaptive step timing increased the push recovery success rate by 36%, and the upper body control improved the yaw disturbance rejection. We also demonstrate robust locomotion across diverse indoor and outdoor terrains, including grass, stone pavement, and uneven gym mats.