[论文解读] Fault Tolerant Free Gait and Footstep Planning for Hexapod Robot Based on Monte-Carlo Tree

Liang Ding, Peng Xu+5 more|arXiv (Cornell University)|Jun 13, 2020

Robotic Locomotion and Control参考文献 37被引用 6

一句话总结

本文提出了一种基于蒙特卡洛树搜索（MCTS）的协同规划框架，用于六足机器人在稀疏、复杂地形中联合优化步态与足点选择。通过引入FastMCTS和SlidingMCTS以提升搜索效率与容错能力，该方法显著提高了在足点稀少环境下的通过能力，在仿真与实际物理实验中均优于传统顺序规划与基于规则的方法。

ABSTRACT

Legged robots can pass through complex field environments by selecting gaits and discrete footholds carefully. Traditional methods plan gait and foothold separately and treat them as the single-step optimal process. However, such processing causes its poor passability in a sparse foothold environment. This paper novelly proposes a coordinative planning method for hexapod robots that regards the planning of gait and foothold as a sequence optimization problem with the consideration of dealing with the harshness of the environment as leg fault. The Monte Carlo tree search algorithm(MCTS) is used to optimize the entire sequence. Two methods, FastMCTS, and SlidingMCTS are proposed to solve some defeats of the standard MCTS applicating in the field of legged robot planning. The proposed planning algorithm combines the fault-tolerant gait method to improve the passability of the algorithm. Finally, compared with other planning methods, experiments on terrains with different densities of footholds and artificially-designed challenging terrain are carried out to verify our methods. All results show that the proposed method dramatically improves the hexapod robot's ability to pass through sparse footholds environment.

研究动机与目标

• 解决传统顺序步态与足点规划在稀疏、复杂地形中因机器人易被困而存在的局限性。
• 通过整合容错步态策略与步态和足点选择的整体序列优化，提升机器人在复杂地形中的通过能力。
• 针对腿式机器人规划问题，改进标准MCTS算法，以应对其计算成本高且在动态环境中缺乏收敛性的问题。
• 开发高效的MCTS变体——FastMCTS与SlidingMCTS，以在规划速度、收敛性与实时可行性之间取得平衡。
• 通过在多种地形类型上的仿真与真实世界稀疏足点环境中的物理机器人实验，验证该方法的有效性。

提出的方法

• 该方法将步态与足点规划建模为使用蒙特卡洛树搜索（MCTS）的序列优化问题，将每个机器人状态视为搜索树中的一个节点。
• 引入一种新型自由容错步态策略，使腿式机器人即使在部分足点无效或腿部故障时也能保持稳定。
• 引入FastMCTS，通过利用专家知识加速规划过程，提升收敛速度，但牺牲部分鲁棒性。
• SlidingMCTS通过实现每一步的独立、局部规划，提升实时性能，减少对后续状态的依赖，增强适应性。
• 算法基于地形特征（如坡度、粗糙度和足点支撑能力）评估状态，并根据前进距离与稳定性设定奖励。
• 通过随机模拟与启发式引导选择相结合的方式扩展搜索树，并利用反向传播机制根据结果质量更新节点值。

实验结果

研究问题

• RQ1 与顺序规划相比，能够联合优化步态与足点选择的统一规划框架是否能显著提升在稀疏足点环境中的通过能力？
• RQ2 如何对MCTS进行改进以适应腿式机器人运动规划，实现在动态、不确定地形中计算效率与收敛性的平衡？
• RQ3 在实时、容错导航中，FastMCTS（速度优先）与SlidingMCTS（平衡优先）之间的性能权衡如何？
• RQ4 该方法在多大程度上可使物理六足机器人成功穿越人工构建的、具有有限或不连续足点的复杂地形？
• RQ5 容错步态策略的集成是否能增强MCTS在腿部失效或足点不稳定的条件下的规划鲁棒性？

主要发现

• 所提出的基于MCTS的方法在稀疏与复杂地形中显著优于传统顺序规划与基于规则的方法，尤其在足点稀少的环境中表现突出。
• SlidingMCTS在规划时间与收敛性之间取得了良好平衡，实现了无需牺牲通过能力的实时局部规划。
• 物理机器人实验验证了该算法成功引导机器人穿越由离散砖块组成的场地，证明了其在现实世界中的可行性与鲁棒性。
• 在仿真中，机器人成功穿越了三种人工设计的复杂地形：分段式、矩形削减式与连续沟壑式地形，动态调整步态。
• 该方法使机器人能够在极端条件下临时抬起无支撑的腿部，甚至在部分腿失效时以四足模式运行，展现出高度适应性。
• SlidingMCTS的规划时间可接受于实时应用，而FastMCTS实现了最快的单步规划时间，尽管收敛稳定性较低。