[论文解读] Can't Touch This: Real-Time, Safe Motion Planning and Control for Manipulators Under Uncertainty

Jonathan Michaux, Patrick Holmes+8 more|arXiv (Cornell University)|Jan 30, 2023

Formal Methods in Verification被引用 4

一句话总结

本文提出 ARMOUR，一种针对机械臂的实时、滚动时域运动规划与控制框架，可在惯性参数存在集合型不确定性时保证连续时间安全性。通过结合鲁棒无源控制、基于多项式框集的可达性分析以及使用过近似扫掠体积的优化，ARMOUR 确保了碰撞避免、关节限位满足和转矩约束合规，实现在模拟中 92% 的成功率，并在负载参数不确定的 Kinova Gen3 机械臂上实现了安全的实时运行。

ABSTRACT

Ensuring safe, real-time motion planning in arbitrary environments requires a robotic manipulator to avoid collisions, obey joint limits, and account for uncertainties in the mass and inertia of objects and the robot itself. This paper proposes Autonomous Robust Manipulation via Optimization with Uncertainty-aware Reachability (ARMOUR), a provably-safe, receding-horizon trajectory planner and tracking controller framework for robotic manipulators to address these challenges. ARMOUR first constructs a robust controller that tracks desired trajectories with bounded error despite uncertain dynamics. ARMOUR then uses a novel recursive Newton-Euler method to compute all inputs required to track any trajectory within a continuum of desired trajectories. Finally, ARMOUR over-approximates the swept volume of the manipulator; this enables one to formulate an optimization problem that can be solved in real-time to synthesize provably-safe motions. This paper compares ARMOUR to state of the art methods on a set of challenging manipulation examples in simulation and demonstrates its ability to ensure safety on real hardware in the presence of model uncertainty without sacrificing performance. Project page: https://roahmlab.github.io/armour/.

研究动机与目标

• 解决在未知负载质量与惯性张量等不确定惯性动力学下，确保机械臂连续时间安全性的挑战。
• 克服现有方法在动力学不确定或模型不准确时无法实现实时安全保证的局限性。
• 开发一种将实时规划与鲁棒控制相结合的框架，确保安全性，同时不牺牲性能，且无需完美动力学模型。
• 实现在复杂、杂乱环境中安全运行，这些环境可能导致传统规划器因非凸约束或不安全轨迹收敛而失效。
• 保证所有安全约束——碰撞避免、关节限位、转矩限位——在时间上连续满足，而不仅在离散时间步长上。

提出的方法

• 设计一种鲁棒无源控制方法，对机器人及其负载惯性参数的所有可能不确定性，统一界定了最坏情况下的跟踪误差。
• 提出一种新型递归牛顿-欧拉算法（PZRNEA），用于计算在连续轨迹流中实现任意期望轨迹跟踪所需的全部可能控制输入集合。
• 使用多项式框集表示并过近似机械臂在不确定性下的前向可达集（扫掠体积），实现高效且保守的碰撞检测。
• 构建一个非线性优化问题，利用过近似的可达集，将障碍物避让、关节位置、速度与转矩限位的连续时间约束纳入其中。
• 实施滚动时域框架，规划器在每个时间步重新优化，并在每条规划轨迹中嵌入故障安全制动操作，以确保长期安全性。
• 利用多项式框集算术，高效传播不确定性，计算机器人运动包络的保守边界。

实验结果

研究问题

• RQ1 实时运动规划与控制框架能否在惯性参数的集合型不确定性下，保证机械臂的连续时间安全性？
• RQ2 如何将鲁棒控制与可达性分析结合，以在动力学不确定的情况下仍保持有界的跟踪误差？
• RQ3 多项式框集能否在实时性要求下有效用于过近似机械臂的扫掠体积，同时保持计算可处理性？
• RQ4 在模型不确定条件下，该框架在安全性与成功率方面相较于最先进方法能提升多少？
• RQ5 是否可能将故障安全制动操作嵌入每条规划轨迹中，以确保长期安全性而不影响性能？

主要发现

• 在 100 个随机障碍物场景中，ARMOUR 使用直线型高层规划器实现了 92% 的成功率，零次碰撞，无任何安全违规。
• 在更具挑战性的 Hard Scenarios 数据集中，ARMOUR 搭配 RRT* 高层规划完成了 7 项任务中的 6 项，优于 ARMTD 在相同条件下仅完成 5/7 项的表现。
• ARMOUR 在真实世界实验中成功应用于 Kinova Gen3 机械臂，操控质量不确定的哑铃，展示了无碰撞、实时的控制性能。
• 平均规划迭代时间为 364.9 ms，证实了在标准硬件上的实时可行性。
• CHOMP 虽始终生成动力学可行轨迹，但在 13% 的情况下因碰撞失败，凸显了其缺乏内置碰撞保障机制。
• 使用多项式框集实现了比以往方法更紧致的可达集过近似，使机械臂能够在不违反安全约束的前提下更贴近障碍物导航。