[论文解读] Perceptive Locomotion through Nonlinear Model Predictive Control

Ruben Grandia, Fabian Jenelten+3 more|arXiv (Cornell University)|Aug 17, 2022

Robotic Locomotion and Control被引用 2

一句话总结

本论文提出了一种用于在复杂地形上实现动态足式行走的实时非线性模型预测控制（MPC）框架，通过使用足部可行性问题的凸近似和符号距离场（SDF）实现碰撞避免。通过以20 Hz的频率预计算感知地形特征——可踏步性分类、平面分割和SDF，并将其嵌入到采用实时迭代和基于过滤的线搜索的多 shooting MPC 中，该方法实现了对机器人所有自由度的可靠、高频优化，从而在仿真和实验中均实现了ANYmal四足机器人在动态攀爬任务中的最先进性能。

ABSTRACT

Dynamic locomotion in rough terrain requires accurate foot placement, collision avoidance, and planning of the underactuated dynamics of the system. Reliably optimizing for such motions and interactions in the presence of imperfect and often incomplete perceptive information is challenging. We present a complete perception, planning, and control pipeline, that can optimize motions for all degrees of freedom of the robot in real-time. To mitigate the numerical challenges posed by the terrain a sequence of convex inequality constraints is extracted as local approximations of foothold feasibility and embedded into an online model predictive controller. Steppability classification, plane segmentation, and a signed distance field are precomputed per elevation map to minimize the computational effort during the optimization. A combination of multiple-shooting, real-time iteration, and a filter-based line-search are used to solve the formulated problem reliably and at high rate. We validate the proposed method in scenarios with gaps, slopes, and stepping stones in simulation and experimentally on the ANYmal quadruped platform, resulting in state-of-the-art dynamic climbing.

研究动机与目标

• 解决在粗糙不平地形上实现可靠、实时动态行走的挑战，包括精确的足部定位和碰撞避免。
• 克服在非线性MPC中对任意地形进行优化时存在的数值不稳定性和高计算成本问题。
• 将感知信息（可踏步性、平面分割、SDF）直接集成到MPC优化中，以实现整体运动规划的协调。
• 实现实时、高频的机器人所有自由度的在线优化，包括欠驱动动力学和肢体碰撞。
• 在具有挑战性的地形（如间隙、斜坡和踏板石）上，实现鲁棒的、自主发现复杂步态（如快跑、慢跑）的能力。

提出的方法

• 以20 Hz的频率将高程图预处理为可踏步性分类、平面分割和符号距离场（SDF），以减少在线计算量。
• 使用凸多边形约束作为可踏步地形的局部近似，表示足部可行性的条件，从而在非线性MPC中实现凸子问题。
• 采用多 shooting参数化方法构建最优控制问题，以改善数值条件，并使用实时迭代法实现快速收敛。
• 采用序列二次规划（SQP）结合基于过滤的线搜索，以确保在非凸、非线性问题中的收敛性和鲁棒性。
• 将SDF集成到MPC的代价函数和约束中，以强制实现机器人肢体与地形之间的碰撞避免。
• 采用包含完整关节构型的全身体动力学模型，联合优化足部定位、膝关节运动和欠驱动动力学。

实验结果

研究问题

• RQ1 凸近似足部可行性是否能够实现粗糙地形上动态行走的可靠且高效的在线MPC？
• RQ2 如何预计算并集成感知信息（可踏步性、平面分割、SDF）到MPC中，以减少在线计算负载？
• RQ3 多 shooting、实时迭代与基于过滤的线搜索相结合，是否能够在复杂地形约束下以高频率求解非线性MPC问题？
• RQ4 该MPC框架在确保碰撞避免和精确足部定位的前提下，能够在多大程度上自主发现复杂动态步态（如快跑、慢跑）？
• RQ5 与现有方法相比，该方法在可靠性、计算效率和复杂地形上的性能表现如何？

主要发现

• 所提出的MPC框架成功实现了在粗糙地形上的实时感知行走，实现了对机器人完整关节构型的优化，在ANYmal四足机器人上实现了动态攀爬的最先进性能。
• 以20 Hz的频率预计算可踏步性、平面分割和SDF，显著降低了在线计算量，使MPC能够以高频率运行并保持极低延迟。
• 使用凸多边形足部约束作为可行足部的内近似，确保了非线性MPC求解器的数值稳定性和可靠收敛。
• 该方法成功规划并执行了复杂的动态步态（包括具有腾空阶段的快跑和慢跑），即使在感知系统临时失效的情况下也能保持稳定。
• 该框架在具有挑战性的场景（如间隙、陡坡和狭窄踏板石）中表现出鲁棒性，实现了稳定的足部定位和碰撞避免。
• MPC实现已公开发布于OCS2工具箱中，感知处理管道的各个组件也已贡献至开源代码库。