Bio-inspired Thrust-Assisted Trotting on a legged-Aerial Robot via Real-Time QP-MPC
作者: Shreyansh Pitroda, Eric Sihite, Alireza Ramezani, Morteza Gharib
分类: cs.RO
发布日期: 2026-10-19
备注: To be published in IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)
💡 一句话要点
提出基于QP-MPC的控制器以实现腿部飞行机器人助推跑步
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 腿部机器人 模型预测控制 推力矢量 动态控制 实时系统
📋 核心要点
- 现有的腿部机器人在动态控制和推力管理方面存在挑战，难以实现高效的运动模式。
- 本文提出了一种基于QP-MPC的控制器，能够实时调节地面接触力和推力矢量，以实现更灵活的运动。
- 实验结果表明，机器人在不同速度下能够稳定运行，关节跟踪误差小于1度，且计算延迟满足实时控制需求。
📝 摘要（中文）
本文展示了一种基于二次规划的控制器在Harpy机器人上的硬件实现，该机器人通过助推器辅助实现跑步。灵感来源于鸟类（如丘鹬）的翼助运动，利用推力矢量来操控地面反作用力。所提出的控制器将助推器辅助的弹簧加载倒摆动力学形式化为一个浓缩的QP模型预测控制问题，能够以500Hz的频率同时调节地面接触力和主动推力矢量。采用解耦控制架构，机器人在矢状面上的动力学通过QP-MPC控制，而在横向动力学上则使用级联方向稳定控制器进行调节。进行了两次实验，分别在0 m/s和0.1 m/s的前进参考速度下进行。尽管瞬时速度存在波动，但均值速度能够跟踪各自的参考值。此外，关节跟踪误差保持在1度以内，同时跟踪由腿轨迹控制器给出的期望腿长和Raibert启发式给出的期望摆动轨迹。
🔬 方法详解
问题定义：本文旨在解决腿部机器人在动态运动中推力管理和地面接触力调节的挑战。现有方法在实时性和精确性方面存在不足，难以适应复杂的运动需求。
核心思路：提出的QP-MPC控制器通过将助推器辅助的弹簧加载倒摆动力学建模为QP问题，实现了高频率的动态调节，能够同时管理推力和接触力。
技术框架：整体架构包括两个主要模块：矢状面动力学的QP-MPC控制和横向动力学的级联方向稳定控制。QP-MPC模块负责实时计算控制输入，而级联控制器则确保横向稳定性。
关键创新：本研究的核心创新在于将QP-MPC应用于腿部机器人控制中，突破了传统控制方法的限制，实现了高效的推力矢量调节和地面接触力控制。
关键设计：控制器以500Hz的频率运行，QP-MPC问题的求解时间为0.18ms，满足2ms的计算预算，同时遵循地面反作用力摩擦锥约束。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在0 m/s和0.1 m/s的参考速度下，机器人能够稳定运行，瞬时速度波动但均值速度跟踪良好。关节跟踪误差控制在1度以内，QP-MPC问题求解时间为0.18ms，显著优于实时控制需求。
🎯 应用场景
该研究的潜在应用领域包括救援机器人、探测机器人以及其他需要在复杂环境中灵活移动的机器人系统。通过提高腿部机器人的运动能力和稳定性，未来可在各种实际场景中实现更高效的自主导航和任务执行。
📄 摘要（原文）
This paper presents the hardware implementation of a quadratic program-based controller on Harpy: thruster-assisted bipedal robot to perform thruster-assisted trotting. This is inspired by wing-assisted locomotion observed in birds such as the chukar partridge, which employ thrust vectoring to manipulate the ground reaction force. The proposed controller formulates the thruster-assisted spring-loaded inverted pendulum dynamics as a condensed QP-based model predictive control problem, enabling simultaneous regulation of ground contact force and active thrust vectoring at 500 Hz. A decoupled control architecture is used, where the robot's sagittal dynamics are controlled using QP-MPC while the frontal dynamics is regulated using a cascade orientation stabilization controller. Two experiments were conducted with different forward reference velocities of 0 m/s and 0.1 m/s. While the instantaneous velocity oscillates, the mean velocities can track their respective reference. Additionally, joint tracking error remains within 1 deg while tracking the desired leg length given by the leg trajectory controller and desired swing trajectory given by Raibert's heuristic. The QP-MPC problem is consistently solved with 0.18ms, which is well within the 2ms computation budget while satisfying the GRF friction cone constraint.