ADMM-Based Distributed MPC with Control Barrier Functions for Safe Multi-Robot Quadrupedal Locomotion
作者: Yicheng Zeng, Ruturaj S. Sambhus, Basit Muhammad Imran, Jeeseop Kim, Vittorio Pastore, Kaveh Akbari Hamed
分类: cs.RO, math.OC
发布日期: 2026-03-19
💡 一句话要点
提出基于ADMM和CBF的分布式MPC框架，用于安全的多足机器人运动控制。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 分布式模型预测控制 控制障碍函数 交替方向乘子法 多足机器人 安全控制
📋 核心要点
- 多足机器人协同运动规划面临安全约束和计算复杂性挑战，现有方法难以兼顾。
- 利用ADMM将全局MPC问题分解为局部子问题，通过邻域通信实现分布式求解。
- 实验表明，该方法在保证安全性的前提下，显著降低了计算时间，提升了实时性。
📝 摘要（中文）
本文提出了一种完全去中心化的模型预测控制（MPC）框架，该框架结合了控制障碍函数（CBF）约束，用于多足机器人系统中安全关键的轨迹规划。CBF约束的引入带来了显式的智能体间耦合，这阻碍了所得最优控制问题的直接分解。为了解决这个问题，我们使用基于交替方向乘子法（ADMM）的结构化分布式优化框架，重新构建了集中式的安全关键MPC问题。通过引入一种新颖的具有共识约束的节点-边分割公式，所提出的方法将全局问题分解为独立的节点局部和边局部二次规划，这些二次规划可以使用邻居到邻居的通信并行求解。这实现了完全去中心化的轨迹优化，同时在智能体之间保持对称的计算负载，并保证安全性和动态可行性。所提出的框架被集成到用于四足机器人的分层运动控制架构中，结合了高层分布式轨迹规划、中层非线性MPC（执行单刚体动力学）和低层全身控制（执行全阶机器人动力学）。通过在两个Unitree Go2四足机器人上的硬件实验以及涉及多达四个机器人在不确定环境中导航的数值模拟，证明了所提出方法的有效性。结果表明，所提出的分布式公式实现了与集中式MPC相当的性能，同时在四智能体情况下将每个周期的平均规划时间减少了高达51%，从而实现了高效的实时去中心化实现。
🔬 方法详解
问题定义：论文旨在解决多足机器人集群在复杂环境中进行安全协同运动规划的问题。传统集中式MPC方法计算量大，难以实时部署；而直接分解的分布式MPC方法难以保证智能体间的安全约束，例如避免碰撞。因此，如何在保证安全性的前提下，实现多足机器人集群的实时、去中心化运动规划是一个关键挑战。
核心思路：论文的核心思路是利用ADMM算法将带有控制障碍函数（CBF）约束的集中式MPC问题分解为多个局部子问题，每个子问题对应一个机器人或机器人之间的交互关系。通过引入共识约束，保证局部子问题的解能够协调一致，从而实现全局的安全性和优化目标。CBF的引入保证了智能体间的安全距离，避免碰撞。
技术框架：整体框架是一个分层控制结构。高层是基于ADMM的分布式MPC，负责生成安全可行的轨迹；中层是非线性MPC，用于跟踪高层轨迹并考虑单刚体动力学；底层是全身控制，用于执行具体的运动指令并考虑完整的机器人动力学模型。ADMM算法在每个规划周期迭代求解，直到满足收敛条件。
关键创新：论文的关键创新在于提出了一个新颖的节点-边分割公式，将全局MPC问题分解为独立的节点局部和边局部二次规划。节点局部问题对应于单个机器人的运动规划，边局部问题对应于机器人之间的安全约束。这种分解方式使得每个机器人只需要与其邻居进行通信，即可完成全局的优化。
关键设计：ADMM算法中的惩罚参数对收敛速度和解的精度有重要影响，需要仔细调整。CBF的设计需要考虑机器人的几何形状和运动能力，以保证安全约束的有效性。共识约束的设计需要保证局部解的一致性，避免出现冲突。
🖼️ 关键图片
📊 实验亮点
通过在两个Unitree Go2四足机器人上的硬件实验和最多四个机器人的数值模拟，验证了该方法的有效性。实验结果表明，与集中式MPC相比，该方法在四智能体情况下将每个周期的平均规划时间减少了高达51%，实现了高效的实时去中心化控制，同时保证了机器人的安全性。
🎯 应用场景
该研究成果可应用于物流仓储、搜救行动、环境监测等领域，实现多机器人协同作业，提高效率和安全性。例如，在复杂地形下，多足机器人可以协同搬运重物，或在灾难现场协同搜索幸存者。该方法还可扩展到其他类型的机器人，如无人机和自动驾驶车辆。
📄 摘要（原文）
This paper proposes a fully decentralized model predictive control (MPC) framework with control barrier function (CBF) constraints for safety-critical trajectory planning in multi-robot legged systems. The incorporation of CBF constraints introduces explicit inter-agent coupling, which prevents direct decomposition of the resulting optimal control problems. To address this challenge, we reformulate the centralized safety-critical MPC problem using a structured distributed optimization framework based on the alternating direction method of multipliers (ADMM). By introducing a novel node-edge splitting formulation with consensus constraints, the proposed approach decomposes the global problem into independent node-local and edge-local quadratic programs that can be solved in parallel using only neighbor-to-neighbor communication. This enables fully decentralized trajectory optimization with symmetric computational load across agents while preserving safety and dynamic feasibility. The proposed framework is integrated into a hierarchical locomotion control architecture for quadrupedal robots, combining high-level distributed trajectory planning, mid-level nonlinear MPC enforcing single rigid body dynamics, and low-level whole-body control enforcing full-order robot dynamics. The effectiveness of the proposed approach is demonstrated through hardware experiments on two Unitree Go2 quadrupedal robots and numerical simulations involving up to four robots navigating uncertain environments with rough terrain and external disturbances. The results show that the proposed distributed formulation achieves performance comparable to centralized MPC while reducing the average per-cycle planning time by up to 51% in the four-agent case, enabling efficient real-time decentralized implementation.