面向四足机器人 locomotion 的自适应数据驱动 MPC 控制器

模型预测控制（MPC）高度依赖机器人模型以生成控制律。然而，受不确定性影响的简化控制模型与实际机器人之间始终存在差距，这会降低其性能。为此，我们提出一种将数据驱动误差模型集成到四足机器人传统 MPC 中的控制器。该方法利用传感器数据来补偿控制模型中的缺陷。具体而言，我们采用自回归移动平均向量（ARMAV）模型从数据中构建四足机器人的状态误差模型。所预测的状态误差随后用于调整 MPC 生成的预测未来机器人状态。通过这种方法，我们提出的控制器能够为系统提供更精确的输入，从而在模型参数不准确或干扰存在时实现预期状态。我们的方法能够在一定程度上消除模型与实际机器人之间的差距，从而提升四足机器人的 locomotion 性能。我们通过仿真和实际实验验证了所提出的方法，在一次大型四足机器人实验中，该机器人携带了 20 kg 未建模的有效载荷（占体重 84%）。