用于灵巧手内操作的接触隐式模型预测控制：一种长时域且鲁棒的方法

灵巧手内操作是生产和生活中的一项基本技能。然而，接触的高度刚性和易变性限制了实时接触检测与推断，从而降低了基于模型方法的性能。受近期接触丰富的 locomotion 和操作进展的启发，本文提出了一种新颖的基于模型的方法来控制灵巧手内操作并克服当前局限性。所提出的方法具有一个吸引人的特点，即允许机器人在无需预定义接触序列或单独规划过程的情况下，鲁棒地执行长时域手内操作。具体而言，我们设计了一个高层接触隐式模型预测控制器，以生成由底层跟踪控制器执行的实时接触计划。与其他基于模型的方法相比，这种长时域特性使得能够重新规划并鲁棒地执行接触丰富的运动，从而更高效地实现手内大位移操作；与现有的基于学习的方法相比，所提出的方法实现了灵巧性，并且无需任何预训练即可泛化到不同物体。详细的仿真和消融实验证明了该方法的有效性和高效性。它在 23 自由度的长时域手内物体旋转任务上以 20Hz 运行。