基于在线残差学习的自适应接触隐式模型预测控制

多接触机器人系统由于与环境建立和断开接触而具有混杂特性，这给高质量控制带来了显著挑战。现有的基于模型的方法通常要么依赖对多接触模型的良好先验知识，要么需要大量的离线模型调参工作，从而导致适应性与鲁棒性较低。本文提出一种实时自适应多接触模型预测控制框架，能够实现混杂多接触模型的在线自适应以及针对富含接触任务的控制性能持续改进。该框架包含一个自适应模块（持续学习混杂模型的残差以最小化先验模型与现实之间的差距）和一个实时多接触MPC控制器。我们在合成示例中验证了框架的有效性，并将其应用于硬件以解决富含接触的操纵任务：机器人使用末端执行器在桌面上滚动不同的未知物体以跟踪给定路径。硬件实验表明，在粗糙先验模型下，多接触MPC控制器以约20 Hz的自适应率实时自适应，并成功操纵具有非光滑表面几何形状的此前未知物体。