LLA-MPPI: Rapidly Adaptive Whole-body Control of Legged Robots with GPU-Accelerated Parallel Simulations
作者: Sebin Jung, Maitham F. AL-Sunni, Juan Alvarez-Padilla, Zachary Manchester, Changliu Liu, John M. Dolan
分类: cs.RO, eess.SY
发布日期: 2026-10-07
备注: The first two authors are co-first authors (contributed equally to the work)
💡 一句话要点
提出LLA-MPPI以解决腿部机器人适应性控制问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 腿部机器人 自适应控制 模型预测控制 GPU加速 接触模拟 实时控制 动态环境 全身控制
📋 核心要点
- 现有的腿部机器人控制方法在动态变化时表现不佳，通常依赖于固定模型，缺乏适应性。
- 本文提出的LLA-MPPI方法通过选择不同的GPU批处理接触模拟器，快速适应环境变化，避免了离线训练的需求。
- 实验结果显示，LLA-MPPI在四个任务中成功率为97.5%，显著优于传统方法和基线，验证了其有效性。
📝 摘要（中文）
腿部机器人的实时全身控制通常依赖于固定的模型，面对动态变化时性能下降。现有的自适应方法通常需要复杂的模型结构或离线训练。本文提出了一种名为LLA-MPPI的控制方法，通过选择不同物理或结构参数的GPU批处理接触模拟器，实现全身适应性控制。该方法无需离线训练，且所选模型具有物理可解释性。在四个模拟任务中，该方法成功率达到97.5%，而最强基线为74%，真实模型的表现为98.5%。在Unitree Go2硬件验证中，机器人在增加负载、单腿失效和推箱子等情况下表现良好。
🔬 方法详解
问题定义：本文旨在解决腿部机器人在动态环境中控制适应性不足的问题。现有方法通常依赖于固定模型，无法有效应对变化的接触动态，导致性能下降。
核心思路：LLA-MPPI方法通过在多个GPU批处理接触模拟器中进行选择，快速适应不同的环境条件。该方法通过窗口预测误差选择最能解释近期运动的模拟器，从而实现动态适应。
技术框架：该方法的整体架构包括接触模拟器库、窗口预测误差计算模块和全身MPPI规划器。接触模拟器库包含不同物理参数的模型，窗口预测误差用于选择最佳模拟器，MPPI规划器则基于选定模型优化控制策略。
关键创新：LLA-MPPI的主要创新在于其无需离线训练，且所选模型具有物理可解释性。这使得该方法在动态环境中具有更好的适应性和实时性，区别于传统的自适应控制方法。
关键设计：该方法的关键设计包括GPU加速的接触模拟器选择机制、窗口预测误差的计算方式，以及全身MPPI控制优化过程中的参数设置。这些设计确保了方法的高效性和准确性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，LLA-MPPI在四个模拟任务中的成功率达到97.5%，显著高于最强基线的74%。在真实硬件Unitree Go2上的验证中，机器人在增加负载、单腿失效和推箱子等情况下表现出色，展示了该方法的实际应用能力。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在动态环境下的腿部机器人控制领域。其方法可以应用于救援、物流和服务机器人等场景，提升机器人在复杂环境中的自主性和适应能力，未来可能推动智能机器人技术的发展。
📄 摘要（原文）
Real-time whole-body controllers for legged robots typically plan through a fixed nominal model and degrade when the deployed dynamics change. Adaptive methods typically require a model structure that contact dynamics do not provide, or they need offline training for each anticipated condition. We present Look-back and Look-ahead Adaptive Model Predictive Path Integral control (LLA-MPPI). The method converts whole-body adaptation into selection over a bank of GPU-batched contact simulators with different physical or structural parameters. Windowed prediction errors select the simulator that best explains recent motion. A whole-body MPPI planner optimizes controls through the selected model. The framework requires no offline training, and its selected hypotheses are physically interpretable. Across four simulated tasks, it achieves 97.5% success while the strongest baseline reaches 74% and an oracle with the true model reaches 98.5%. Hardware validation on a Unitree Go2 shows the robot walking under a payload added mid-run, walking after one leg is disabled, and pushing a box to its goal while increasing its mass on the fly. Code, videos, and project details are available at: https://lla-control.github.io