[论文解读] BiConMP: A Nonlinear Model Predictive Control Framework for Whole Body Motion Planning

Avadesh Meduri, Paarth Shah+4 more|arXiv (Cornell University)|Jan 19, 2022

Robotic Locomotion and Control被引用 5

一句话总结

BiConMP 是一种非线性模型预测控制框架，通过利用增广拉格朗日乘子法（ADMM）和邻近梯度法对质心动力学的双凸结构进行优化，实现了足式机器人的实时全身运动规划。该方法实现了每秒100次的在线重规划，使四足和人形机器人能够实现鲁棒的动态步态，并支持直接从仿真到现实的迁移，且几乎无需重新训练。

ABSTRACT

Online planning of whole-body motions for legged robots is challenging due to the inherent nonlinearity in the robot dynamics. In this work, we propose a nonlinear MPC framework, the BiConMP which can generate whole body trajectories online by efficiently exploiting the structure of the robot dynamics. BiConMP is used to generate various cyclic gaits on a real quadruped robot and its performance is evaluated on different terrain, countering unforeseen pushes and transitioning online between different gaits. Further, the ability of BiConMP to generate non-trivial acyclic whole-body dynamic motions on the robot is presented. The same approach is also used to generate various dynamic motions in MPC on a humanoid robot (Talos) and another quadruped robot (AnYmal) in simulation. Finally, an extensive empirical analysis on the effects of planning horizon and frequency on the nonlinear MPC framework is reported and discussed.

研究动机与目标

• 开发一种用于全身运动规划的实时非线性 MPC 框架，以处理足式机器人中的复杂动态运动。
• 通过利用质心动力学的双凸结构，解决在线求解非线性最优控制问题的计算挑战。
• 实现在干扰和地形变化下无需离线策略重新训练的在线重规划，以提升鲁棒性。
• 提供一种通用的运动规划框架，能够为不同机器人平台生成周期性和非周期性动态运动。
• 通过实证分析规划时域、频率和代价权重对 MPC 性能与鲁棒性的影响。

提出的方法

• 通过动力-运动学分解将全肢体动力学分解为运动学和动力学子问题。
• 将质心动力学优化建模为双凸问题，并使用增广拉格朗日乘子法（ADMM）结合邻近梯度法求解。
• 将运动学问题表述为最优控制问题，并使用现成的微分动态规划（DDP）求解器求解。
• 采用高斯-牛顿多 shooting 参数化方法，以提升非线性优化中的收敛性和稳定性。
• 通过迭代优化施加力矩约束，且求解器支持热启动和提前终止，以保障实时性能。
• 通过每 10–100 ms 更新一次轨迹，实现在线重规划，从而动态适应干扰和地形变化。

Figure 1: A birds eye view of the entire nonlinear MPC framework. First, centroidal trajectories are generated using the ADMM framework explained in Section III-B . These trajectories are used within a DDP-based kinematic optimizer that generates the desired joint trajectories (Section III-D ). The

实验结果

研究问题

• RQ1 如何使非线性 MPC 足够高效，以实现足式机器人实时的全身运动规划？
• RQ2 规划频率和时域对动态运动生成的鲁棒性和性能有何影响？
• RQ3 质心动力学的双凸分解能否实现快速、稳定且精确的轨迹优化？
• RQ4 该框架在复杂非平凡动态运动中，仿真到现实迁移的表现如何？
• RQ5 基于 MPC 的运动规划中，计算成本与鲁棒性之间的权衡是什么？

主要发现

• BiConMP 在真实四足机器人（Solo12）上实现了每秒 100 次的实时重规划，与 20 Hz 相比，显著提升了对外部干扰的鲁棒性。
• 该框架在仿真和真实硬件上均成功生成并控制了复杂的动态步态，包括非平凡的非周期性运动，适用于四足和人形机器人。
• 将重规划频率从 20 Hz 提升至 100 Hz 显著改善了干扰抑制能力，但超过 100 Hz 后增益逐渐减小。
• 该方法实现了无需重新训练的直接仿真到现实迁移，因为闭环优化能自动补偿建模误差。
• 使用邻近算子和 ADMM 简化了约束满足过程，实现了 MPC 在机器人领域高效的一阶优化。
• 即使在高度动态的运动中，该框架仍保持数值稳定且计算可行，且力矩始终低于执行器限制。

Figure 2: Different motions demonstrated on real robot and simulation with solo12.