[论文解读] Pushing Fast and Slow: Task-Adaptive MPC for Pushing Manipulation Under Uncertainty

Wisdom C. Agboh, Mehmet R. Doğar|arXiv (Cornell University)|May 8, 2018

Modular Robots and Swarm Intelligence参考文献 30被引用 6

一句话总结

本文提出了一种用于机器人推拉操作的任务自适应模型预测控制（MPC）框架，该框架根据任务精度需求动态调整运动速度——在高精度任务中减速，在精度要求较低的任务中加速。该方法结合了MDP公式与使用可变速度轨迹的轨迹优化器，以高效探索动作并减少计算时间。

ABSTRACT

We propose a model predictive control approach to pushing based manipulation. The key feature of the algorithm is that it can adapt to the accuracy requirements of a task, by slowing down and generating careful motion when the task requires high accuracy, and by speeding up and moving fast when the task allows inaccuracy. We formulate the problem as an MDP and use an approximate online solution to the MDP. We use a trajectory optimizer with a deterministic model to suggest promising actions to the MDP, to reduce computation time spent on evaluating different actions. The trajectory optimizer is then initialized with trajectories with different speed profiles to generate a variety of actions for the MDP that can adapt to different tasks.

研究动机与目标

• 解决在不确定性条件下机器人推拉操作的挑战，其中任务精度存在显著差异。
• 实现能够根据任务特定精度需求动态调整的运动规划。
• 通过利用轨迹优化器指导动作选择，降低在线MPC中的计算成本。
• 通过将速度自适应运动生成与模型预测控制相结合，提升推拉任务中的鲁棒性与效率。

提出的方法

• 将推拉操作问题建模为马尔可夫决策过程（MDP），以在不确定性下建模决策过程。
• 采用MDP的近似在线解法，以实现实时控制决策。
• 将轨迹优化器与确定性模型集成，以生成MDP的有希望的候选动作。
• 使用多样化的速度配置初始化轨迹优化器，以生成适用于不同任务需求的动作集合。
• 根据任务精度需求动态选择动作——高精度任务采用更慢、更精确的运动，低要求任务则采用更快的运动。
• 通过仅对轨迹优化器建议的高质量动作进行MDP评估，从而减少计算时间。

实验结果

研究问题

• RQ1 如何使模型预测控制适应机器人推拉任务中变化的精度需求？
• RQ2 将具有可变速度初始化的轨迹优化器与MPC集成，对MPC的效率和性能有何影响？
• RQ3 任务自适应MPC框架是否能在保持不确定性下鲁棒性的同时降低计算成本？
• RQ4 动态速度调节如何影响推拉操作中的任务成功率和执行时间？
• RQ5 在计算资源有限的条件下，近似在线MDP解法在实时机器人控制中有多大有效性？

主要发现

• 所提方法成功地根据任务精度需求自适应调整运动速度，实现了高精度与高速执行模式的兼容。
• 将具有可变速度初始化的轨迹优化器与MDP集成，显著减少了MDP中动作评估的计算时间。
• 通过聚焦于来自多样化速度配置的高质量动作进行MDP评估，系统实现了更高的效率。
• 通过根据任务需求动态调整控制策略，该方法在不确定性下保持了优异的鲁棒性能。
• 通过高效的在线MDP近似，该方法实现了实时运行，适用于实际的机器人推拉应用。
• 与固定速度MPC相比，该框架在混合精度操作任务中表现出更强的适应性。