[论文解读] Terrain-Aware Foot Placement for Bipedal Locomotion Combining Model Predictive Control, Virtual Constraints, and the ALIP.

Grant Gibson, Oluwami Dosunmu-Ogunbi+2 more|arXiv (Cornell University)|Sep 30, 2021

Robotic Locomotion and Control参考文献 29被引用 5

一句话总结

本文提出了一种基于质心动力学模型预测控制（MPC）、虚拟约束和线性倒立摆模型（LIP）的地形感知足部放置策略，用于双足机器人。通过在四步MPC中引入10毫秒级的步内动力学以及地形坡度/摩擦约束，该方法实现了在倾斜和不平坦地形上的稳定、敏捷行走，并在Cassie机器人上于室内和室外环境中均进行了实验验证。

ABSTRACT

This paper draws upon three themes in the bipedal control literature to achieve highly agile, terrain-aware locomotion. By terrain aware, we mean the robot can use information on terrain slope and friction cone as supplied by state-of-the-art mapping and trajectory planning algorithms. The process starts with abstracting from the full dynamics of a Cassie 3D bipedal robot, an exact low-dimensional representation of its centroidal dynamics, parameterized by angular momentum. Under a piecewise planar terrain assumption, and the elimination of terms for the angular momentum about the robot's center of mass, the centroidal dynamics become linear and has dimension four. Four-step-horizon model predictive control (MPC) of the centroidal dynamics provides step-to-step foot placement commands. Importantly, we also include the intra-step dynamics at 10 ms intervals so that realistic terrain-aware constraints on robot's evolution can be imposed in the MPC formulation. The output of the MPC is directly implemented on Cassie through the method of virtual constraints. In experiments, we validate the performance of our control strategy for the robot on inclined and stationary terrain, both indoors on a treadmill and outdoors on a hill.

研究动机与目标

• 实现双足机器人实时适应地形坡度和摩擦条件的足部放置。
• 解决在动态行走过程中于不平坦或倾斜地形上保持稳定性和敏捷性的挑战。
• 将高保真的步内动力学整合到低维MPC框架中，以提高控制精度。
• 通过虚拟约束将轨迹规划与实时控制相衔接，实现对物理机器人直接执行。
• 在真实世界双足机器人（Cassie）上验证该控制策略在多样化地形（包括室内跑步机和户外斜坡）中的性能。

提出的方法

• 在分段平面地形假设下，将Cassie机器人的完整3D动力学抽象为四维线性质心动力学模型。
• 通过角动量参数化质心动力学，消除与质心角动量相关的项，以简化模型。
• 采用四步时域的模型预测控制（MPC）公式，包含10毫秒分辨率的步内动力学，以实现精确的约束处理。
• 利用先进地图构建与规划算法提供的数据，将地形特定约束（如坡度和摩擦锥）整合到MPC优化中。
• 通过虚拟约束方法将MPC生成的足部放置指令转换为关节轨迹，实现在Cassie机器人上的直接执行。
• 以线性倒立摆模型（LIP）为基础，在MPC框架内生成稳定、周期性的步态模式。

实验结果

研究问题

• RQ1 双足机器人如何利用实时地形反馈在倾斜和不平坦地形上实现稳定且敏捷的行走？
• RQ2 具有步内分辨率的低维质心动力学模型在地形感知行走中能在多大程度上提升控制性能？
• RQ3 将虚拟约束与MPC结合是否能够实现在复杂地形上的鲁棒、实时足部放置？
• RQ4 该方法在不同地形条件之间切换时，维持平衡和步态稳定性的有效性如何？
• RQ5 该控制策略在真实世界机器人上的表现如何，特别是在包括室内跑步机和户外斜坡在内的多样化环境中的表现？

主要发现

• 所提出的基于MPC的控制策略成功使Cassie机器人在倾斜和不平坦地形（包括户外斜坡）上实现稳定行走。
• 在MPC公式中引入10毫秒级的步内动力学，可精确执行地形约束，从而提升稳定性和适应性。
• 将地形坡度和摩擦锥信息整合到MPC框架中，使足部放置决策更加真实且安全。
• 使用虚拟约束可实现MPC生成轨迹在物理Cassie机器人上的直接、稳定执行。
• 该方法在多样化环境中表现出鲁棒性能，包括室内跑步机行走和户外爬坡。
• 四步MPC时域提供了足够的预测能力，可在保持步态稳定性的同时实现对地形变化的敏捷响应。