DR-MPC: Fast and Feasible Dynamics-Relaxed Model-Predictive Control for Legged Locomotion

📄 arXiv: 2609.20035v1 📥 PDF

作者: Run Wang, Alapati Tuerxun, Shuo Liu, Wei Xiao, Ján Drgoňa, Yilin Mo, Liang Wu

分类: cs.RO, eess.SY

发布日期: 2026-09-17

备注: 8 pages, 5 figures, submitted to RA-L

💡 一句话要点

提出DR-MPC以解决腿部运动控制中的动态约束问题

🎯 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: 动态松弛控制 模型预测控制 腿部运动 四足机器人 实时优化 接触感知 速度提升

📋 核心要点

  1. 现有的模型预测控制方法在腿部运动中面临动态约束处理的挑战，导致计算效率低下。
  2. DR-MPC通过将动态约束转化为二次惩罚，结合接触感知输入参数化，提升了优化的可行性和速度。
  3. 实验结果表明，DR-MPC在计算速度上显著优于现有方法，同时保持了良好的运动性能。

📝 摘要（中文）

本文提出了一种新颖的动态松弛模型预测控制（DR-MPC）方法，专门用于腿部运动控制，并设计了一个定制的内点法求解器。该方法通过构建在线优化的可行性，结合了接触感知的输入参数化，将动态等式和仿射输入约束转化为二次惩罚，仅保留非空的盒约束。经过评估，DR-MPC在相同的模型预测控制框架下，相较于HPIPM和OSQP分别实现了16.0倍和4.4倍的速度提升，同时在仿真中保持了相似的运动性能。DR-MPC在Unitree Go1四足机器人上验证，平均端到端时间为4.4毫秒，开源代码将在发表后提供。

🔬 方法详解

问题定义：本文旨在解决腿部运动控制中的动态约束问题，现有方法在处理动态等式和输入约束时效率较低，影响了实时控制性能。

核心思路：DR-MPC的核心思路是将动态等式和仿射输入约束转化为二次惩罚项，从而简化优化问题，并通过接触感知的输入参数化提高可行性。

技术框架：该方法的整体架构包括动态约束的松弛处理、接触感知输入参数化、以及基于盒约束的二次规划求解。求解器在消除摆动力和对齐接触后，仅对简化的控制系统进行因式分解。

关键创新：DR-MPC的主要创新在于将动态约束转化为二次惩罚，并通过Schur补消除状态和仿射输出方向，这一设计显著提高了计算效率。

关键设计：在参数设置上，DR-MPC采用了特定的盒约束设计，损失函数中引入了动态惩罚项，确保了优化过程的稳定性和可行性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，DR-MPC在相同的控制框架下，相较于HPIPM实现了16.0倍的速度提升，较OSQP提升了4.4倍，同时在仿真中保持了相似的运动性能，验证了其优越性。

🎯 应用场景

该研究的潜在应用领域包括四足机器人、仿生机器人以及其他需要高效运动控制的自动化系统。通过提升模型预测控制的速度和可行性，DR-MPC能够在复杂环境中实现更为灵活和高效的运动策略，具有重要的实际价值和未来影响。

📄 摘要（原文）

This paper presents dynamics-relaxed model predictive control (DR-MPC), a novel MPC formulation for legged locomotion, and a tailored interior-point method (IPM) solver. The formulation combines online optimization feasibility by construction with a contact-aware input parameterization. DR-MPC moves the dynamics equality and affine input constraints into quadratic penalties and retains only nonempty box constraints. The resulting box-constrained quadratic program (QP) has a block-arrow Hessian that enables the state and affine-output directions to be eliminated through a Schur complement. The solver factors only the reduced control system after swing-force elimination and contact-aligned move blocking. For the evaluated implementations using the same DR-MPC formulation, our method achieves median end-to-end MPC speedups of $16.0\times$ over HPIPM and $4.4\times$ over OSQP, with comparable locomotion performance in simulation. DR-MPC achieves a median onboard MPC end-to-end time of $4.4$ ms and is validated on a Unitree Go1 quadruped. Open-source code will be made available after publication.