[论文解读] Hierarchical Task Model Predictive Control for Sequential Mobile Manipulation Tasks

Xintong Du, Siqi Zhou+1 more|arXiv (Cornell University)|Mar 10, 2026

Robot Manipulation and Learning被引用 0

一句话总结

论文提出 HTMPC，即层级任务模型预测控制框架，在序列移动操作任务中按顺序协调底盘与机械臂任务，提高9自由度机器人上的效率与反应性。它将词典优化重新表述为在线求解的可行性，并在与最先进方法的对比中展示了更优的性能。

ABSTRACT

Mobile manipulators are envisioned to serve more complex roles in people's everyday lives. With recent breakthroughs in large language models, task planners have become better at translating human verbal instructions into a sequence of tasks. However, there is still a need for a decision-making algorithm that can seamlessly interface with the high-level task planner to carry out the sequence of tasks efficiently. In this work, building on the idea of nonlinear lexicographic optimization, we propose a novel Hierarchical-Task Model Predictive Control framework that is able to complete sequential tasks with improved performance and reactivity by effectively leveraging the robot's redundancy. Compared to the state-of-the-art task-prioritized inverse kinematic control method, our approach has improved hierarchical trajectory tracking performance by 42% on average when facing task changes, robot singularity and reference variations. Compared to a typical single-task architecture, our proposed hierarchical task control architecture enables the robot to traverse a shorter path in task space and achieves an execution time 2.3 times faster when executing a sequence of delivery tasks. We demonstrated the results with real-world experiments on a 9 degrees of freedom mobile manipulator.

研究动机与目标

• 受高层任务规划引导，说明对顺序移动操控任务实现高效、具备反应性的控制的必要性。
• 将顺序任务执行表述为一个层级任务模型预测控制问题。
• 利用机器人运动学的冗余，在词典优先级下协调底盘与末端执行器任务。
• 在9自由度移动操控器上展示实际性能提升。
• 为 HTMPC 的在线、迭代优化提供实用实现指南。

提出的方法

• 将移动操控器的动力学表述为带有状态 x 与输入 u 的线性参数化系统；将加速度作为控制输入。
• 在 HTMPC 框架内定义一系列跟踪任务，通过对预测时域上的词典优化，强制时间有序层级。
• 求解一个嵌套的 MPC，其中每一个单任务 MPC（STMPC）对一个任务进行优化，并引入额外正则化与放宽的词典约束以实现在线求解。
• 引入两种词典约束的表述；选择一种解耦约束近似以提升收敛性（Eq. 12）。
• 采用带有 QP 子迭代和线搜索策略的 SQP 求解器；允许约束松弛以应对干扰和模型/测量误差（松弛/障碍技术）。
• 将 HTMPC 与 HTIDKC 和单任务 HTMPC 变体（HTMPC_WPT）在 9-DoF 硬件上进行对比，重点关注底盘/末端执行器跟踪与序列完成性能。

实验结果

研究问题

• RQ1 与传统的单任务或基于逆运动学的方法相比，层级任务模型预测控制框架是否能提升顺序移动操控任务的效率与反应性？
• RQ2 在 MPC 中重新表述词典最优性如何影响在线求解能力以及在任务变化、奇异点和轨迹变化下的任务性能？
• RQ3 在一个高自由度移动操控器的顺序交付型任务中，利用层级控制架构中的运动学冗余有哪些好处？

主要发现

Eq	Low δ (mm) Avg	Low δ (mm) Std	High δ (mm) Avg	High δ (mm) Std
Baseline (11)	3.24	0.56	6.25	2.73
Proposed (12)	3.07	0.73	3.42	1.55

• HTMPC 在执行一系列投递任务时，相比典型的单任务架构实现了 2.3 倍的执行速度提升。
• 与前沿的带任务优先的逆运动学控制方法相比，HTMPC 在遇到任务变更、奇异点和轨迹变化时的层级轨迹跟踪性能平均提升约 42%。
• HTMPC 在真实世界的 9-DoF 移动操控器实验中表现出更快、更高效的任务空间遍历与对干扰的恢复能力。
• 评估了两种词典表述；解耦形式（Eq. 12）在收敛性和跟踪性能上优于直接不等式方法（Eq. 11）。
• HTMPC 在连续任务中的 Part 2（valley-target）跟踪优于 HTIDKC 和 HTMPC_WPT，体现出更强的词典遵循性与反应性。