[论文解读] A Fast and Stable Omnidirectional Walking Engine for the Nao Humanoid Robot

Mohammadreza Kasaei, Nuno Lau+1 more|arXiv (Cornell University)|Jun 17, 2019

Robotic Locomotion and Control参考文献 18被引用 12

一句话总结

该论文提出了一种基于扩展线性倒立摆模型（LIPM）的参数化闭环行走引擎，专为Nao人形机器人设计，该模型将上半身和下半身分别建模为独立质量，实现了对躯干运动和垂直重心（COM）运动的动态控制。该框架采用线性二次高斯（LQG）控制器实现鲁棒的轨迹跟踪，并通过遗传算法（GA）优化行走参数，在仿真中实现了80.5 cm/s的最大稳定前向行走速度——比最佳人工调参配置快54%。

ABSTRACT

This paper proposes a framework designed to generate a closed-loop walking engine for a humanoid robot. In particular, the core of this framework is an abstract dynamics model which is composed of two masses that represent the lower and the upper body of a humanoid robot. Moreover, according to the proposed dynamics model, the low-level controller is formulated as a Linear-Quadratic-Gaussian (LQG) controller that is able to robustly track the desired trajectories. Besides, this framework is fully parametric which allows using an optimization algorithm to find the optimum parameters. To examine the performance of the proposed framework, a set of simulation using a simulated Nao robot in the RoboCup 3D simulation environment has been carried out. Simulation results show that the proposed framework is capable of providing fast and reliable omnidirectional walking. After optimizing the parameters using genetic algorithm (GA), the maximum forward walking velocity that we have achieved was $80.5cm/s$.

研究动机与目标

• 开发一种鲁棒、参数化的行走引擎，用于人形机器人，实现高速且稳定的全向移动。
• 通过引入躯干动力学和垂直重心运动，改进传统LIPM模型，以提升稳定性和速度。
• 利用遗传算法（GA）优化行走参数，以实现最大前向行走速度。
• 在包含动态行走和推力恢复场景的真实RoboCup 3D仿真环境中验证该框架。

提出的方法

• 该框架采用包含两个质量的扩展LIPM模型，分别代表上半身和下半身，从而支持动态躯干运动和垂直重心移动。
• 实现线性二次高斯（LQG）控制器作为低层反馈控制器，以确保在存在噪声的情况下仍能稳健跟踪期望轨迹。
• 行走引擎采用状态机结构，包含四个状态：空闲（Idle）、初始化（Initialize）、单支撑（Single Support）和双支撑（Double Support），以实现周期性步态生成。
• 通过遗传算法（GA）优化八个关键行走参数：步态位置（x, y, θ）、摆动腿高度（Zswing）、步态持续时间（Tss）、躯干倾斜角（TIto）以及重心/躯干振幅（Az, Ato）。
• 定义了一个适应度函数，以最大化前向位移（∆X）、最小化侧向偏差（∆Y），并为跌倒情况施加惩罚（ε = 100，若跌倒），引导GA向稳定高速行走方向收敛。
• 仿真在RoboCup 3D仿真环境中进行，使用SimSpark和ODE物理引擎，时间步长为0.02s，以实现逼真的动力学效果。

实验结果

研究问题

• RQ1 在LIPM模型中解除重心高度约束后，对行走速度和稳定性有何影响？
• RQ2 在动态行走过程中，躯干运动在多大程度上可用于将零力矩点（ZMP）稳定在支撑多边形内？
• RQ3 采用LQG控制的全参数化行走框架是否能实现比人工调参配置更快、更稳定的全向行走？
• RQ4 通过GA对行走参数进行优化，所能实现的最大稳定前向行走速度是多少？

主要发现

• 优化后的行走引擎在仿真中实现了80.5 cm/s的最大稳定前向行走速度，相比最佳人工调参配置（53 cm/s）提升了54%。
• 采用包含躯干动力学的双质量LIPM模型显著提升了ZMP跟踪精度和整体稳定性，尤其在动态操作中表现更优。
• LQG控制器有效抑制了噪声，即使在受到扰动时也能实现对参考轨迹的稳健跟踪。
• GA优化在约12,000次迭代后收敛，平均适应度值持续提升，如图9所示的收敛曲线所示。
• 全向行走仿真表明，该框架能够实现平滑、稳定的斜向运动，支持前向与侧向运动的同步进行。
• 在最大行走速度方面，该框架优于[1]、[7]、[13]和[15]中的现有方法，证实了其有效性。