用于估计与模型预测控制的可微柔顺接触基元
机器人学
2023-10-10 v3
摘要
诸如 MPC 之类的控制技术可以实现充分利用动态信息、维持摩擦限制与安全约束的接触丰富操作。然而，接触几何与动力学需已知。该信息通常从 CAD 中提取，限制了可扩展性以及处理几何变化任务的能力。为减少对先验模型的需求，我们提出了一种基于力矩与位置测量在线估计接触模型的框架。为此，采用并联的柔顺接触模型以建模多点接触与诸如铰链之类的约束。它们被参数化为关于其所有参数（静止位置、刚度、接触位置）可微，从而允许耦合的机器人/环境动力学被线性化或高效用于基于梯度的优化。这些模型随后被应用于：离线基于梯度的参数拟合、通过扩展卡尔曼滤波的在线估计，以及在线基于梯度的 MPC。所提方法在两台机器人上得到验证，展示了无传感器接触估计的有效性以及在线估计对 MPC 性能的影响。
引用
@article{arxiv.2303.17476,
title = {Differentiable Compliant Contact Primitives for Estimation and Model Predictive Control},
author = {Kevin Haninger and Kangwagye Samuel and Filippo Rozzi and Sehoon Oh and Loris Roveda},
journal= {arXiv preprint arXiv:2303.17476},
year = {2023}
}
备注
Submitted ICRA24. Video available at https://youtu.be/CuCTcmn3H-o Code available at https://gitlab.cc-asp.fraunhofer.de/hanikevi/contact_mpc