面向四足机器人鲁棒运动的机会约束凸模型预测控制：参数性与加性不确定性下的方法
机器人学
2024-11-07 v1 系统与控制
系统与控制
摘要
四足运动领域的近期进展聚焦于在多样化环境中提升稳定性与性能。然而，现有方法通常缺乏充分的安全分析，且难以适应变化的载荷和复杂地形，通常需要大量调参。为克服这些挑战，我们提出了一种机会约束模型预测控制(CCMPC)框架，将载荷与地形变化性显式建模为单刚体动力学(SRBD)模型中参数性与加性扰动的分布。我们的方法通过将定义地面反作用力可行集的模型摩擦锥约束表达为机会约束，确保在不确定动力学下的安全与一致性能。此外，我们使用计算高效的二次规划公式求解所得随机控制问题。在不同载荷和复杂地形上的四足运动广泛蒙特卡洛模拟表明，CCMPC显著优于两个竞争基准：线性MPC(LMPC)和带有手动调参安全裕度的MPC。Unitree Go1机器人的硬件实验展示了在室内外各种地形上、载荷超过机器人体重50%以上的情况下成功运动，且无需额外参数调参。结果视频和配套代码可在以下网址找到：https://cc-mpc.github.io/。
引用
@article{arxiv.2411.03481,
title = {Chance-Constrained Convex MPC for Robust Quadruped Locomotion Under Parametric and Additive Uncertainties},
author = {Ananya Trivedi and Sarvesh Prajapati and Mark Zolotas and Michael Everett and Taskin Padir},
journal= {arXiv preprint arXiv:2411.03481},
year = {2024}
}
备注
Under review for Robotics and Automation Letters