Model Predictive Control of Tensegrity Robots via Contact-Aware Graph Neural Dynamics Model

📄 arXiv: 2609.08958v1 📥 PDF

作者: Nelson Chen, Patrick Meng, Charles Tang, Angelina Degay, Zachary Brei, Rebecca Kramer-Bottiglio, Kostas E. Bekris, Mridul Aanjaneya

分类: cs.RO

发布日期: 2026-09-08

💡 一句话要点

提出基于图神经网络的控制方法以解决张力结构机器人导航问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion)

关键词: 张力结构机器人 图神经网络 模型预测控制 接触感知 动态建模 自主导航 复杂环境

📋 核心要点

  1. 张力结构机器人在复杂地形中的建模和控制面临接触丰富的动态和部分可观测性等挑战。
  2. 提出了一种基于图神经网络的动态模型，并结合模型预测路径积分控制器，增强了对接触的感知能力。
  3. 实验结果显示，混合MPPI控制器在多种导航任务中表现优越，显著提高了预测准确性和导航性能。

📝 摘要（中文）

张力结构机器人因其轻量和柔性在复杂地形中具有良好的移动能力，但由于接触丰富的动态特性和部分可观测性，建模和控制仍然困难。本研究提出了一种基于学习的图神经网络（GNN）动态模型的模型预测路径积分（MPPI）控制器，专门用于三杆张力结构机器人。通过引入可微分的接触检测模块，扩展了现有的GNN模型，使其能够处理非水平平面地形、障碍物及自碰撞问题。实验结果表明，结合GNN动态模型的混合MPPI控制器在复杂环境中的导航性能优于基于A*的重新规划和仅使用MPPI的变体。

🔬 方法详解

问题定义：本研究旨在解决张力结构机器人在复杂接触环境中的建模与控制问题。现有方法难以处理接触丰富的动态特性，导致控制性能不足。

核心思路：提出了一种基于图神经网络的动态模型，结合可微分的接触检测模块，使得模型能够更好地理解和处理复杂地形中的接触情况。

技术框架：整体架构包括学习的GNN动态模型和模型预测路径积分控制器（MPPI），二者在闭环数据收集中迭代优化，提升模型准确性和控制性能。

关键创新：引入了可微分的接触检测模块，使得GNN动态模型能够推理非水平平面地形及自碰撞，显著提升了模型的适应性和准确性。

关键设计：在模型设计中，采用了混合MPPI策略，结合转向运动原语以提高机动性，并在实验中验证了其在多种复杂导航任务中的有效性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，基于学习的GNN动态模型结合混合MPPI控制器在五个导航任务中表现优越，相较于平坦地面基线模型，预测准确性显著提高，并在复杂环境中导航性能超过了基于A*的重新规划和仅使用MPPI的变体。

🎯 应用场景

该研究的潜在应用领域包括救援机器人、探索机器人以及任何需要在复杂地形中进行自主导航的机器人系统。通过提升张力结构机器人的控制能力，未来可在灾难救援、环境监测等领域发挥重要作用。

📄 摘要（原文）

Tensegrity robots offer lightweight, compliant mobility over challenging terrain but remain difficult to model and control due to complex contact-rich dynamics and partial observability. This work presents a model predictive path integral (MPPI) controller for a three-bar tensegrity robot driven by a learned graph neural network (GNN) dynamics model. This work first extends prior GNN-based models with a differentiable contact detection module. The extension allows the dynamics model to reason over non-horizontal planar terrains, obstacles, as well as self-collisions. Then, the learned dynamics model and the MPPI controller operate in a closed data-collection loop, iteratively improving model accuracy and control performance. This work further introduces a hybrid MPPI strategy that combines MPPI with turning motion primitives to improve maneuverability. Experiments are performed in MuJoCo across five navigation tasks, which include, wall obstacles, inclines, narrow corridors, low-clearance structures, and a composite 3D obstacle course. The experiments demonstrate that the hybrid MPPI controller operating over the learned GNN dynamics model improves predictive accuracy over a flat-ground baseline model and achieves superior navigation performance compared to $A^*$-based re-planning and MPPI-only variants. Results show that the contact-aware learned dynamics combined with the sampling-based model predictive control enable robust tensegrity navigation in complex, contact-rich environments.