[论文解读] A Collision-Free MPC for Whole-Body Dynamic Locomotion and Manipulation

Jia-Ruei Chiu, Jean-Pierre Sleiman+3 more|arXiv (Cornell University)|Feb 24, 2022

Robotic Locomotion and Control被引用 2

一句话总结

本文提出了一种用于足式移动机器人全身动态运动与操作的实时、无碰撞模型预测控制（MPC）框架。通过基于简化碰撞体素的符号距离嵌入软约束，并利用预先计算的欧几里得符号距离场（ESDF），该方法在仅增加12%计算成本的情况下，实现了在动态环境中安全、协调的运动，同时在硬件上保持了实时MPC性能。

ABSTRACT

In this paper, we present a real-time whole-body planner for collision-free legged mobile manipulation. We enforce both self-collision and environment-collision avoidance as soft constraints within a Model Predictive Control (MPC) scheme that solves a multi-contact optimal control problem. By penalizing the signed distances among a set of representative primitive collision bodies, the robot is able to safely execute a variety of dynamic maneuvers while preventing any self-collisions. Moreover, collision-free navigation and manipulation in both static and dynamic environments are made viable through efficient queries of distances and their gradients via a euclidean signed distance field. We demonstrate through a comparative study that our approach only slightly increases the computational complexity of the MPC planning. Finally, we validate the effectiveness of our framework through a set of hardware experiments involving dynamic mobile manipulation tasks with potential collisions, such as locomotion balancing with the swinging arm, weight throwing, and autonomous door opening.

研究动机与目标

• 在动态且杂乱的环境中，实现足式移动操作机器人安全、实时的全身运动规划。
• 解决自碰撞与环境碰撞规避问题，而无需依赖启发式后处理或离线规划。
• 将碰撞规避整合到统一的MPC框架中，联合优化基座运动与机械臂操作。
• 确保计算效率，即使增加了碰撞约束，也能维持实时MPC频率。
• 在涉及动态任务（如摆动手臂平衡、投掷重物、自主开门）的硬件实验中展示鲁棒性。

提出的方法

• 在多接触最优控制问题中，使用模型预测控制（MPC）将自碰撞与环境碰撞规避表述为软约束。
• 使用简化碰撞体素（如球体和圆柱体）表示机器人，以降低计算成本，同时保持精度。
• 利用FIESTA地图预计算的欧几里得符号距离场（ESDF），高效查询机器人体素与障碍物之间的距离和梯度。
• 对简化模型中的所有体素对采用朴素距离查询策略，尽管理论优化程度较低，但因其梯度更平滑且计算开销更低，性能优于广义阶段管理器。
• 在MPC目标函数中对符号距离施加惩罚，以鼓励安全分离，并设置最小阈值以允许小范围违反，从而保障求解器收敛。
• 以15 Hz的频率实时集成LiDAR环境更新，以检测静态和动态障碍物，碰撞规避依赖于缓存的距离与梯度数据。

实验结果

研究问题

• RQ1 统一的MPC框架是否能在动态全身运动与操作过程中，实时有效避免自碰撞与环境碰撞？
• RQ2 碰撞规避的计算开销对MPC频率和实时可行性有何影响？
• RQ3 在使用简化体素与详细模型的碰撞检测策略中，精度与效率之间的权衡如何？
• RQ4 与直接基于OctoMap的邻近查询相比，预计算ESDF在计算成本与梯度平滑性方面表现如何？
• RQ5 该框架在不损害安全或性能的前提下，对动态障碍物（如接近的人或移动物体）的处理能力如何？

主要发现

• 与无碰撞规避的盲情况相比，所提方法仅使MPC计算时间增加11.97%，从而实现在硬件上的实时运行。
• 尽管理论优化程度较低，但使用简化机器人模型的朴素距离查询策略，由于梯度场更平滑且计算开销更低，性能优于广义阶段管理器。
• 使用体素形状与OctoMap进行碰撞查询的计算成本是盲情况的19倍，原因在于单元数量庞大及梯度不连续。
• 该框架成功实现了硬件演示，包括摆动手臂平衡、向后投掷重物以及自主开门等动态任务，同时避免了静态障碍物和接近的人类。
• 即使在LiDAR存在盲区和15 Hz更新率限制的情况下，该方法仍保持鲁棒性，但需限制动态障碍物速度，以避免其突然出现在阈值范围内。
• 软约束配合最小距离阈值可使求解器可靠收敛，同时仍能有效防止实际碰撞，证明了基于惩罚的规避方法优于硬约束。