面向风格化人形机器人步行的在线 DNN 驱动非线性 MPC 控制
机器人学
2024-10-11 v1
摘要
本文提出了一个三层体系结构，使其能够进行带有在线接触位置调整的风格化 locomotion。我们的方法将自回归深度神经网络 (DNN) 作为轨迹生成层与基于模型的轨迹调整和轨迹控制层相结合。DNN 产生中心线和姿态参考作为其他层的初始猜测和正则化器。由于 DNN 是在人类动作捕捉数据上训练的，由此产生的机器人运动呈现出类似人类步行风格的运动模式。轨迹调整层利用非线性优化来确保中心质量 (CoM) 的动态可行运动，同时处理步调调整。我们比较了轨迹调整层的两种实现：一种是滚动时域规划器 (RHP)，另一种是模型预测控制器 (MPC)。为增强 MPC 性能，我们引入了卡尔曼滤波器以减少测量噪声。滤波器参数通过遗传算法自动调谐。ergoCub 人形机器人上的实验结果表明，该系统能够防止跌倒、复制人类步行风格，并能承受最高达 68 牛顿的扰动。网站：https://sites.google.com/view/dnn-mpc-walking YouTube 视频：https://www.youtube.com/watch?v=x3tzEfxO-xQ
引用
@article{arxiv.2410.07849,
title = {Online DNN-driven Nonlinear MPC for Stylistic Humanoid Robot Walking with Step Adjustment},
author = {Giulio Romualdi and Paolo Maria Viceconte and Lorenzo Moretti and Ines Sorrentino and Stefano Dafarra and Silvio Traversaro and Daniele Pucci},
journal= {arXiv preprint arXiv:2410.07849},
year = {2024}
}
备注
This paper has been accepted for publication at the 2024 IEEE-RAS International Conference on Humanoid Robots,(Humanoids) Nancy, France, 2024