Contact-Implicit Model Predictive Control: Controlling Diverse Quadruped Motions Without Pre-Planned Contact Modes or Trajectories

📄 arXiv: 2312.08961v2 📥 PDF

作者: Gijeong Kim, Dongyun Kang, Joon-Ha Kim, Seungwoo Hong, Hae-Won Park

分类: cs.RO

发布日期: 2023-12-14 (更新: 2024-10-02)

备注: This is the accepted version for The International Journal of Robotics Research (2024); published version at https://journals.sagepub.com/doi/10.1177/02783649241273645 / Videos at https://youtu.be/SXD4BJIfyoY

DOI: 10.1177/02783649241273645

💡 一句话要点

提出Contact-Implicit MPC，无需预定义接触模式实现四足机器人多样运动控制

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱八：物理动画 (Physics-based Animation)

关键词: 四足机器人 模型预测控制 接触隐式 微分动态规划 多接触运动

📋 核心要点

  1. 传统方法依赖预定义的接触模式，限制了四足机器人运动的灵活性和适应性，难以应对复杂地形。
  2. 论文提出Contact-Implicit MPC，结合硬接触模型和线性互补约束，通过优化接触冲量梯度探索多样接触模式。
  3. 实验结果表明，该方法能够使四足机器人HOUND在仿真和真实环境中实现前向小跑和前腿抬起等复杂运动。

📝 摘要（中文）

本文提出了一种接触隐式模型预测控制(MPC)框架，用于实时发现多接触运动，无需预定义的接触模式序列或落脚点位置。该方法利用接触隐式微分动态规划(DDP)框架，将硬接触模型与线性互补约束相结合。我们提出了基于松弛互补约束的接触冲量的解析梯度，以进一步探索各种接触模式。通过利用基于硬接触模型的仿真和通过平滑梯度计算搜索方向，我们的方法识别出动态可行的状态轨迹、控制输入和接触力，同时揭示新的接触模式序列。然而，接触模式范围的扩大并不总能确保实际应用。认识到这一点，我们实现了可微的代价项来引导足部轨迹并生成步态模式。此外，为了解决MPC设置中不稳定的初始roll-out的挑战，我们采用了DDP的多次shooting变体。通过仿真和使用45公斤HOUND四足机器人的真实演示验证了所提出框架的有效性，在仿真中执行各种任务，并展示了涉及前向小跑和前腿抬起运动的实际实验。

🔬 方法详解

问题定义：现有四足机器人运动控制方法通常需要预先规划接触模式和落脚点，这限制了机器人在复杂环境中的适应性和灵活性。尤其是在非结构化环境中，预定义接触模式变得非常困难，甚至不可能。因此，如何在没有预定义信息的情况下，使四足机器人能够自主发现并执行多接触运动是一个关键问题。

核心思路：本文的核心思路是利用接触隐式模型预测控制(Contact-Implicit MPC)框架，将接触过程建模为硬接触模型，并通过线性互补约束来描述接触力。通过优化接触冲量的梯度，可以探索各种可能的接触模式，从而避免了对预定义接触模式的依赖。这种方法允许机器人自主地发现并利用环境中的接触点，从而实现更灵活和鲁棒的运动控制。

技术框架：该框架主要包含以下几个模块：1) 状态估计模块：用于估计机器人的当前状态，包括位置、姿态和速度等。2) 模型预测控制模块：基于机器人动力学模型和环境信息，预测未来一段时间内的状态轨迹和控制输入。3) 接触隐式优化模块：利用接触隐式微分动态规划(DDP)框架，优化接触力和状态轨迹，以满足线性互补约束。4) 运动执行模块：将优化后的控制输入发送给机器人，使其执行相应的运动。

关键创新：该方法最重要的创新点在于它能够自主地发现并利用环境中的接触点，而无需预先定义接触模式。这得益于接触隐式模型的引入和接触冲量梯度的优化。与传统方法相比，该方法具有更强的适应性和鲁棒性，能够应对更复杂的环境。

关键设计：为了保证算法的稳定性和收敛性，论文采用了以下关键设计：1) 使用松弛互补约束来计算接触冲量的梯度，避免了梯度消失的问题。2) 引入可微的代价项来引导足部轨迹，从而生成更自然的步态模式。3) 采用DDP的多次shooting变体，以解决MPC设置中不稳定的初始roll-out的挑战。

📊 实验亮点

实验结果表明，该方法能够使45kg的HOUND四足机器人在仿真和真实环境中实现前向小跑和前腿抬起等复杂运动。在仿真环境中，机器人能够成功穿越各种复杂地形，如台阶、斜坡和碎石路面。在真实环境中，机器人能够稳定地执行前向小跑，并能够根据环境变化调整步态。这些实验结果验证了该方法的有效性和鲁棒性。

🎯 应用场景

该研究成果可应用于搜救、勘探、物流等领域。在复杂地形或未知环境中，四足机器人可以自主规划运动路径，执行任务。例如，在地震灾区，机器人可以利用该技术在废墟中搜索幸存者；在矿山中，机器人可以自主勘探矿藏；在仓库中，机器人可以自主搬运货物。该技术有望提升机器人在复杂环境中的适应性和工作效率。

📄 摘要（原文）

This paper presents a contact-implicit model predictive control (MPC) framework for the real-time discovery of multi-contact motions, without predefined contact mode sequences or foothold positions. This approach utilizes the contact-implicit differential dynamic programming (DDP) framework, merging the hard contact model with a linear complementarity constraint. We propose the analytical gradient of the contact impulse based on relaxed complementarity constraints to further the exploration of a variety of contact modes. By leveraging a hard contact model-based simulation and computation of search direction through a smooth gradient, our methodology identifies dynamically feasible state trajectories, control inputs, and contact forces while simultaneously unveiling new contact mode sequences. However, the broadened scope of contact modes does not always ensure real-world applicability. Recognizing this, we implemented differentiable cost terms to guide foot trajectories and make gait patterns. Furthermore, to address the challenge of unstable initial roll-outs in an MPC setting, we employ the multiple shooting variant of DDP. The efficacy of the proposed framework is validated through simulations and real-world demonstrations using a 45 kg HOUND quadruped robot, performing various tasks in simulation and showcasing actual experiments involving a forward trot and a front-leg rearing motion.