BoundMPC: Cartesian path following with error bounds based on model predictive control in the joint space
作者: Thies Oelerich, Florian Beck, Christian Hartl-Nesic, Andreas Kugi
分类: cs.RO
发布日期: 2024-01-10 (更新: 2026-02-16)
备注: 17 pages, 20 figures
DOI: 10.1177/02783649241309354
🔗 代码/项目: GITHUB
💡 一句话要点
提出BoundMPC以解决机器人路径跟踪中的误差边界问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 路径跟踪 机器人运动学 动态环境 任务特定约束 关节空间规划 误差边界
📋 核心要点
- 现有路径跟踪方法在动态环境中难以适应，且无法有效处理任务特定约束，导致执行成功率低。
- BoundMPC通过在关节空间进行模型预测控制，允许机器人在笛卡尔空间内灵活偏离参考路径，以满足运动学要求。
- 实验结果表明，BoundMPC在多个复杂场景中表现出色，成功处理了物体转移、抓取和避免碰撞等任务。
📝 摘要（中文）
本文介绍了BoundMPC策略，这是一种创新的在线模型预测路径跟踪方法，专为机器人操纵器设计。该关节空间轨迹规划器能够在期望的正交路径误差不对称边界内，跟踪末端执行器的位置和方向的笛卡尔参考路径，包括经过点。与传统路径跟踪方法不同，BoundMPC故意在位置和方向上偏离笛卡尔参考路径，以考虑机器人的运动学，从而提高任务执行的成功率。此外，该方法的简单参考路径形式计算效率高，支持在机器人运动过程中进行重新规划，适用于动态变化的环境和目标。通过在7自由度Kuka LBR iiwa 14 R820机器人上的五个场景实验，展示了BoundMPC的灵活性和性能。
🔬 方法详解
问题定义：本文旨在解决机器人在动态环境中路径跟踪时的误差边界问题，现有方法在处理任务特定约束和运动学限制时存在不足。
核心思路：BoundMPC策略通过在关节空间进行模型预测控制，允许机器人在笛卡尔空间内偏离参考路径，以更好地适应运动学特性，从而提高任务执行的成功率。
技术框架：该方法包括路径规划模块、运动学约束模块和误差边界模块。路径规划模块生成笛卡尔参考路径，运动学约束模块确保机器人在运动过程中遵循运动学限制，误差边界模块则定义了允许的路径偏差范围。
关键创新：BoundMPC的创新之处在于其允许机器人在执行任务时故意偏离笛卡尔参考路径，以适应运动学特性，这与传统方法的直接跟踪策略形成鲜明对比。
关键设计：该方法的关键设计包括定义不对称的误差边界，以适应不同的任务需求，并在运动过程中实现实时重新规划，确保机器人能够灵活应对环境变化。具体的参数设置和损失函数设计未在摘要中详细说明，需查阅原文获取更多信息。
🖼️ 关键图片
📊 实验亮点
实验结果显示，BoundMPC在多个场景中成功执行了复杂任务，包括在狭窄空间中倾斜物体的转移、动态抓取以及避免碰撞等，展现出较传统方法更高的成功率和适应性。具体性能数据和对比基线需参考原文。
🎯 应用场景
BoundMPC策略在机器人路径跟踪中的应用潜力巨大，尤其适用于需要在动态环境中执行复杂任务的场景，如工业自动化、服务机器人和医疗机器人等。其灵活性和高效性使其能够适应不断变化的任务需求，提升机器人在实际应用中的表现。
📄 摘要（原文）
This work introduces the BoundMPC strategy, an innovative online model-predictive path-following approach for robot manipulators. This joint-space trajectory planner allows the following of Cartesian reference paths in the end-effector's position and orientation, including via-points, within the desired asymmetric bounds of the orthogonal path error. These bounds encode the obstacle-free space and additional task-specific constraints in Cartesian space. Contrary to traditional path-following concepts, BoundMPC purposefully deviates from the Cartesian reference path in position and orientation to account for the robot's kinematics, leading to more successful task executions for Cartesian reference paths. Furthermore the simple reference path formulation is computationally efficient and allows for replanning during the robot's motion. This feature makes it possible to use this planner for dynamically changing environments and varying goals. The flexibility and performance of BoundMPC are experimentally demonstrated by five scenarios on a 7-DoF Kuka LBR iiwa 14 R820 robot. The first scenario shows the transfer of a larger object from a start to a goal pose through a confined space where the object must be tilted. The second scenario deals with grasping an object from a table where the grasping point changes during the robot's motion, and collisions with other obstacles in the scene must be avoided. The adaptability of BoundMPC is showcased in scenarios such as the opening of a drawer, the transfer of an open container, and the wiping of a table, where it effectively handles task-specific constraints. The last scenario highlights the possibility of accounting for collisions with the entire robot's kinematic chain. The code is readily available at https://github.com/thieso/boundmpc, inspiring you to explore its potential and adapt it to your specific robotic tasks.