MR-MPCC: Model Predictive Contouring Control for Robotic Manipulator Tracking under Moving Reference Frames

📄 arXiv: 2610.21292v1 📥 PDF

作者: Chonghao Cheng, Tiancheng Li, Jonathan Woolfrey, Liang Zhao, Shoudong Huang

分类: cs.RO

发布日期: 2026-10-15

备注: Accepted by The IEEE/RSJ International Conference on Intelligent Robots and Systems 2026 (IROS 2026)

💡 一句话要点

提出MR-MPCC以解决机器人在移动参考框架下的路径跟踪问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 机器人操纵 路径跟踪 动态参考框架 分层控制 UR5e平台 ROS2 运动控制

📋 核心要点

  1. 现有的时间索引控制方法在参考框架快速移动时容易产生路径跟踪误差，影响机器人操作的精度。
  2. MR-MPCC框架通过分层控制结构，优化路径进度并处理移动参考干扰，提升了机器人末端执行器的姿态调节能力。
  3. 实验结果表明，与传统的PI控制和时间索引MPC相比，MR-MPCC在几何路径跟踪误差和移动路径框架偏差方面表现更优。

📝 摘要（中文）

在机器人操作任务中，保持小的路径跟踪误差对于精密执行至关重要，尤其是在机械加工和外科自动化等领域。传统的时间索引控制器，包括跟踪模型预测控制（MPC），依赖于与参考轨迹的固定时间对应关系，因此在参考框架运动突变或时间不匹配时可能会累积路径相关误差。本文提出了MR-MPCC，一个用于速度控制的机器人操纵器的模型预测轮廓控制框架，能够在移动参考干扰下实现6自由度末端执行器姿态调节。通过采用分层控制架构，上层MPCC优化路径进度，同时惩罚轮廓和方向误差，而受限的解析运动速率控制（RMRC）层则在关节级和安全约束下将指令的笛卡尔速度映射为可行的关节速度。MR-MPCC在ROS2--MuJoCo管道中实现，并在UR5e平台上验证了其在移动参考干扰下的有效性。

🔬 方法详解

问题定义：本文旨在解决在移动参考框架下，机器人操纵器路径跟踪精度不足的问题。现有的控制方法在参考框架快速变化时容易导致路径相关误差的积累，影响操作精度。

核心思路：MR-MPCC框架通过引入分层控制架构，结合模型预测轮廓控制（MPCC）和解析运动速率控制（RMRC），实现对路径进度的优化和对移动干扰的有效应对。

技术框架：整体架构分为两个主要模块：上层MPCC负责优化路径进度并惩罚轮廓和方向误差，下层RMRC则在关节级别和安全约束下将笛卡尔速度映射为可行的关节速度。

关键创新：MR-MPCC的创新在于其分层控制结构和对移动参考干扰的适应能力，显著提高了路径跟踪的精度和稳定性，区别于传统的时间索引控制方法。

关键设计：在设计中，MPCC层通过损失函数对路径进度、轮廓误差和方向误差进行综合优化，而RMRC层则考虑了关节级别的运动约束和安全限制，确保了控制指令的可行性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，MR-MPCC在与PI控制和时间索引MPC的对比中，几何路径跟踪误差显著降低，移动路径框架的偏差也更小，证明了其在动态参考框架下的优越性能。

🎯 应用场景

该研究具有广泛的应用潜力，尤其在需要高精度路径跟踪的领域，如工业机器人、医疗机器人和自动化制造等。MR-MPCC的实现能够提升机器人在动态环境中的适应能力，推动智能制造和自动化技术的发展。

📄 摘要（原文）

Maintaining small path-tracking errors under moving reference frames is essential for robotic manipulation tasks with tight execution tolerances, such as machining and surgical automation. Conventional time-indexed controllers, including tracking Model Predictive Control (MPC), rely on a fixed temporal correspondence with the reference trajectory and may therefore accumulate path-relative error under abrupt reference-frame motion or timing mismatch. This paper presents MR-MPCC, a Model Predictive Contouring Control (MPCC) framework for velocity-controlled robotic manipulators with 6-DoF end-effector pose regulation under Moving-Reference disturbances. A hierarchical control architecture is adopted, in which an upper-level MPCC optimizes path progress while penalizing contouring and orientation errors, and a constrained resolved motion rate control (RMRC) layer maps the commanded Cartesian twist to feasible joint velocities under joint-level and safety constraints. MR-MPCC is implemented in a ROS2--MuJoCo pipeline and validated on a UR5e platform under moving-reference disturbances, where the path frame is perturbed and tracked by electromagnetic sensors. Compared with PI control and time-indexed tracking MPC under matched disturbance, MR-MPCC achieves lower geometric path-following error and smaller deviations in the moving path frame, demonstrating improved path-following performance under reference-frame motion.