[论文解读] Mobility-enhanced MPC for Legged Locomotion on Rough Terrain.

Niraj Rathod, Angelo Bratta+5 more|arXiv (Cornell University)|May 12, 2021

Robotic Locomotion and Control参考文献 13被引用 4

一句话总结

本文提出了一种用于足式机器人的实时非线性模型预测控制（NMPC）框架，通过引入基于移动性的代价函数，提升了其在复杂地形上的机动能力。基于单刚体模型和实时迭代算法，该方法实现了2秒预测时域内的25 Hz重规划，使重87.4公斤的四足机器人HyQ在真实实验中能够动态适应障碍物和不平坦地形。

ABSTRACT

Re-planning in legged locomotion is crucial to track a given set-point while adapting to the terrain and rejecting external disturbances. In this work, we propose a real-time Nonlinear Model Predictive Control (NMPC) tailored to a legged robot for achieving dynamic locomotion on a wide variety of terrains. We introduce a mobility-based criterion to define an NMPC cost that enhances the locomotion of quadruped robots while maximizing leg mobility and staying far from kinematic limits. Our NMPC is based on the real-time iteration scheme that allows us to re-plan online at $25 \, \mathrm{Hz}$ with a time horizon of $2$ seconds. We use the single rigid body dynamic model defined in the center of mass frame that allows to increase the computational efficiency. In simulations, the NMPC is tested to traverse a set of pallets of different sizes, to walk into a V-shaped chimney, and to locomote over rough terrain. We demonstrate the effectiveness of our NMPC with the mobility feature that allowed IIT's $87.4 \,\mathrm{kg}$ quadruped robot HyQ to achieve an omni-directional walk on flat terrain, to traverse a static pallet, and to adapt to a repositioned pallet during a walk in real experiments.

研究动机与目标

• 提升足式机器人在复杂与不平整地形上的动态行走能力。
• 解决在外部干扰和地形变化下保持稳定性和机动性的挑战。
• 开发一种实时NMPC框架，实现在遵守运动学限制条件下的快速重规划。
• 通过在控制设计中引入基于移动性的代价函数，提升腿部机动性并避免关节极限。

提出的方法

• NMPC采用质心坐标系下的单刚体动力学模型，以提升计算效率。
• 引入基于移动性的代价函数，以最大化腿部机动性并保持与运动学极限的距离。
• 通过实时迭代算法，在2秒预测时域内实现每秒25次的在线重规划。
• 采用非线性优化方法实现实时计算最优步态与步序。
• 通过基于实时反馈持续更新轨迹，集成扰动抑制能力。
• 该方法在四足机器人上通过仿真与真实实验进行了验证。

实验结果

研究问题

• RQ1 如何优化NMPC以实现在足式机器人穿越复杂地形时的实时性能？
• RQ2 基于移动性的代价函数在提升行走鲁棒性与适应性方面发挥何种作用？
• RQ3 每秒25次的实时重规划是否能有效实现障碍物穿越与地形适应？
• RQ4 单刚体模型在不牺牲控制精度的前提下，如何提升计算效率？
• RQ5 该NMPC框架在动态干扰与地形变化下，能在多大程度上维持稳定性和机动性？

主要发现

• NMPC框架实现了2秒时域内每秒25次的实时重规划，支持快速轨迹更新。
• 基于移动性的代价函数显著提升了腿部机动性，并减少了接近运动学极限的情况。
• HyQ在平坦地形上成功实现了全向行走，表现出稳定且敏捷的运动特性。
• 在真实实验中，机器人成功穿越了静态托盘，并在行走过程中适应了托盘位置的重新调整。
• 仿真结果表明，该方法可有效实现通过V形烟囱及复杂地形的导航。
• 通过仿真与真实部署验证了扰动抑制与动态适应能力的集成效果。