[论文解读] Motion Planning and Control for On-Orbit Assembly using LQR-RRT* and Nonlinear MPC

Bryce Doerr, Richard Linares|arXiv (Cornell University)|Aug 6, 2020

Robotic Path Planning Algorithms参考文献 33被引用 7

一句话总结

本文提出了一种用于在轨机器人装配的集成运动规划与控制框架，采用LQR-RRT*进行基于采样的轨迹生成，以及采用非线性模型预测控制（NMPC）结合PANOC实现实时反馈跟踪。该方法为自由飞行器机器人生成了无碰撞、动力学可行的轨迹，在模拟中实现了对在轨部件的最优且稳定的操作，障碍物为椭球体。

ABSTRACT

Deploying large, complex space structures is of great interest to the modern scientific world as it can provide new capabilities in obtaining scientific, communicative, and observational information. However, many theoretical mission designs contain complexities that must be constrained by the requirements of the launch vehicle, such as volume and mass. To mitigate such constraints, the use of on-orbit additive manufacturing and robotic assembly allows for the flexibility of building large complex structures including telescopes, space stations, and communication satellites. The contribution of this work is to develop motion planning and control algorithms using the linear quadratic regulator and rapidly-exploring randomized trees (LQR-RRT*), path smoothing, and tracking the trajectory using a closed-loop nonlinear receding horizon control optimizer for a robotic Astrobee free-flyer. By obtaining controlled trajectories that consider obstacle avoidance and dynamics of the vehicle and manipulator, the free-flyer rapidly considers and plans the construction of space structures. The approach is a natural generalization to repairing, refueling, and re-provisioning space structure components while providing optimal collision-free trajectories during operation.

研究动机与目标

• 为解决在运载火箭约束条件下，规划无碰撞、动力学可行的在轨机器人装配轨迹的挑战。
• 通过克服运载火箭的体积与质量限制，实现大型空间结构（如望远镜和卫星）的在轨建造。
• 开发一种实时控制框架，确保在系统动力学与不确定性存在的情况下仍能实现轨迹跟踪。
• 将运动规划与闭环反馈控制相结合，实现对在轨部件的鲁棒操作。
• 在自由飞行器机器人（8-DOF动力学）与椭球体部件作为障碍物的模拟环境中验证该方法。

提出的方法

• 采用LQR-RRT*通过将LQR代价到目标度量融入RRT*采样启发式，生成渐近最优的轨迹，从而提升对动力学可行路径的收敛性。
• 通过一阶泰勒展开在工作点附近对8-DOF自由飞行器及其机械臂的动力学进行线性化，以支持基于LQR的代价估计。
• 采用四阶龙格-库塔法对线性化动力学进行离散化，并对控制输入采用零阶保持，以实现轨迹计算的数值积分。
• 对LQR-RRT*的输出应用路径平滑处理，生成平滑且时间参数化的轨迹，适用于实时执行。
• 采用带有PANOC优化器的非线性MPC实现闭环轨迹跟踪，通过每次时间步的增广目标函数与一阶梯度信息求解最优控制问题。
• 在模拟中将整个系统配置为椭球体部件作为障碍物，NMPC控制器在存在动态扰动与模型不准确的情况下仍能保持轨迹一致性。

实验结果

研究问题

• RQ1 LQR-RRT*能否在在轨装配场景中为自由飞行器机器人生成动力学可行且无碰撞的轨迹？
• RQ2 非线性MPC结合PANOC在实时环境中对复杂时间参数化轨迹的跟踪效果如何，同时确保避障？
• RQ3 路径平滑对高自由度机器人系统中轨迹质量与控制性能有何影响？
• RQ4 LQR-RRT*与NMPC的集成如何提升在轨操作任务中系统的整体鲁棒性与收敛性？
• RQ5 该框架在应对质量与惯性参数变化等动态变化方面的能力如何？

主要发现

• LQR-RRT*通过将LQR代价到目标度量融入采样启发式，成功为8-DOF自由飞行器生成了无碰撞、动力学最优的轨迹。
• 路径平滑步骤显著提升了轨迹的平滑性并降低了控制能量，从而在后续MPC阶段实现了更优的跟踪性能。
• 采用PANOC的非线性MPC实现了实时、稳定的轨迹跟踪，即使在动态扰动下也保持了与规划路径的极小偏差。
• 该框架在所有模拟场景中均对模型不确定性表现出鲁棒性，并在椭球体障碍物周围保持了安全裕度。
• LQR-RRT*与NMPC的集成实现了快速、最优的规划与执行，适用于时间受限的在轨装配任务。
• 仿真结果验证了该框架在未来在国际空间站使用Astrobee机器人进行物理实验的可行性。