[论文解读] Full-Body Torque-Level Non-linear Model Predictive Control for Aerial Manipulation

Josep Martí-Saumell, Joan Solà+2 more|arXiv (Cornell University)|Jul 8, 2021

Robotic Locomotion and Control参考文献 47被引用 4

一句话总结

本文提出了一种针对无人飞行机械臂（UAMs）的全身、力矩级非线性模型预测控制（nMPC）框架，借鉴了人形机器人和腿足机器人的技术。该研究提出了三种nMPC变体——加权型、导轨型和胡萝卜型nMPC，展示了在仿真中稳定且高动态的运动规划与控制性能，确认了其在标准CPU上具备实时求解能力，并具备使用现有硬件实现真实世界部署的可行性。

ABSTRACT

Non-linear model predictive control (nMPC) is a powerful approach to control complex robots (such as humanoids, quadrupeds, or unmanned aerial manipulators (UAMs)) as it brings important advantages over other existing techniques. The full-body dynamics, along with the prediction capability of the optimal control problem (OCP) solved at the core of the controller, allows to actuate the robot in line with its dynamics. This fact enhances the robot capabilities and allows, e.g., to perform intricate maneuvers at high dynamics while optimizing the amount of energy used. Despite the many similarities between humanoids or quadrupeds and UAMs, full-body torque-level nMPC has rarely been applied to UAMs. This paper provides a thorough description of how to use such techniques in the field of aerial manipulation. We give a detailed explanation of the different parts involved in the OCP, from the UAM dynamical model to the residuals in the cost function. We develop and compare three different nMPC controllers: Weighted MPC, Rail MPC, and Carrot MPC, which differ on the structure of their OCPs and on how these are updated at every time step. To validate the proposed framework, we present a wide variety of simulated case studies. First, we evaluate the trajectory generation problem, i.e., optimal control problems solved offline, involving different kinds of motions (e.g., aggressive maneuvers or contact locomotion) for different types of UAMs. Then, we assess the performance of the three nMPC controllers, i.e., closed-loop controllers solved online, through a variety of realistic simulations. For the benefit of the community, we have made available the source code related to this work.

研究动机与目标

• 将源自人形机器人和腿足机器人的全身、力矩级非线性模型预测控制（nMPC）方法，适配应用于此前在该背景下被广泛忽视的无人飞行机械臂（UAMs）。
• 通过单一预测最优控制框架，统一处理复杂控制任务，如激进机动、高接触力操作以及动态载荷处理。
• 证明使用标准CPU和现有硬件实现UAMs在线nMPC的可行性，从而支持实时、动态且节能的控制。
• 提供一个完整、可扩展且开源的实现，以加速空中操作领域的研究与开发。

提出的方法

• 构建了包含多旋翼基座与多自由度机械臂的UAM全身动力学模型，用于在最优控制问题（OCP）中实现精确预测。
• 设计了三种不同的nMPC控制器——加权型、导轨型和胡萝卜型nMPC，其在OCP结构和更新机制上各不相同，均在有限时域内优化力矩输入。
• 采用微分动态规划（DDP）作为非线性OCP的数值求解器，实现快速、迭代式的最优控制输入收敛。
• 通过罚函数法与障碍函数，将关节限位、接触力和执行器饱和等硬约束直接集成到OCP中。
• 集成在线模型辨识与扰动估计技术，以增强对不确定性与参数变化的鲁棒性。
• 采用直接配点法对连续时间OCP进行离散化，以实现高效的数值积分与梯度计算。

实验结果

研究问题

• RQ1 鉴于UAMs的动态复杂性与不稳定性，全身、力矩级非线性模型预测控制（nMPC）是否能有效应用于无人飞行机械臂？
• RQ2 在空中操作任务中，不同OCP构型——加权型、导轨型与胡萝卜型nMPC——在稳定性、收敛性与性能方面如何比较？
• RQ3 在全身体感动力学与非线性优化的计算需求下，标准嵌入式CPU是否能够实现UAMs的实时nMPC求解？
• RQ4 所提出的框架能否在保持稳定与能效的前提下，成功处理复杂、高动态的机动操作，如“老鹰抓球”或激进位移任务？
• RQ5 现有硬件（电机、电力电子器件、CPU）在多大程度上能够支持基于此nMPC框架的力矩控制UAM实现？

主要发现

• 三种nMPC变体——加权型、导轨型与胡萝卜型nMPC——在所有仿真任务中均实现了稳定且精确的控制，包括激进机动与高接触力操作。
• 平均求解时间低于3毫秒（4-位移任务平均为2.58毫秒，老鹰抓球任务平均为2.02毫秒），平均迭代次数不足2次，表明具备实时可行性。
• 所有控制器平均在4次迭代内收敛，最大求解时间低于20毫秒，即使在存在扰动的情况下也保持稳定，证实了其鲁棒性与计算效率。
• 该框架成功实现了复杂任务，如“老鹰抓球”机动，即UAM在空中抓取飞行中的球体的同时保持稳定飞行，充分展示了其高动态能力。
• 研究证实，现有硬件（如Intel NUC CPU、Pixhawk-4飞控、开源力矩控制机械臂）足以支持真实UAM实现全身nMPC。
• 开源代码库支持结果复现与未来扩展，具备集成在线模型辨识与扰动估计的潜力。