Quadruped-Frog: Rapid Online Optimization of Continuous Quadruped Jumping
作者: Guillaume Bellegarda, Milad Shafiee, Merih Ekin Özberk, Auke Ijspeert
分类: cs.RO
发布日期: 2024-03-11
备注: Accepted for 2024 IEEE International Conference on Robotics and Automation (ICRA)
💡 一句话要点
提出快速在线优化的四足跳跃控制方法以解决动态行为控制问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 四足机器人 动态行为 在线优化 贝叶斯优化 跳跃控制 卡尔曼控制 虚拟模型控制
📋 核心要点
- 现有的四足机器人动态行为控制方法多为离线设计，无法准确模拟真实的动力学特性，导致性能受限。
- 本文提出了一种通过贝叶斯优化在线调整足部力配置的控制方法，能够快速适应不同的跳跃任务。
- 实验结果显示，优化后的控制架构能够实现多种方向的跳跃，且在不平坦地形上表现优异，显著提升了机器人的跳跃能力。
📝 摘要（中文）
四足机器人在动态行为如奔跑和跳跃方面的灵活性日益增强。现有方法通常依赖于离线优化，无法完美模拟系统的真实动力学。本文提出了一种在线优化四足跳跃任务的方法，通过贝叶斯优化直接在硬件上优化参数化的足部力配置。该方法结合了关节级跟踪、卡尔曼PD阻抗控制和虚拟模型控制，能够实现多方向的跳跃，包括前跳、侧跳和旋转跳，且在不平坦的地形上表现出色。实验表明，该控制架构使Unitree Go1四足机器人能够跳跃0.5米高、0.5米远，并实现超过2弧度的跳转。
🔬 方法详解
问题定义：本文旨在解决四足机器人在动态跳跃任务中的控制问题，现有方法由于依赖离线优化，无法充分考虑真实的动力学特性，导致性能不足。
核心思路：论文提出了一种在线优化的控制方法，通过贝叶斯优化直接在硬件上调整足部力配置，以适应不同的跳跃需求，提升机器人的灵活性和适应性。
技术框架：整体架构包括足部力配置的参数化设计、贝叶斯优化过程、关节级力跟踪、卡尔曼PD阻抗控制和虚拟模型控制等模块，形成一个闭环控制系统。
关键创新：最重要的创新在于实现了快速在线优化的跳跃控制，能够在实际跳跃过程中实时调整控制参数，与传统的离线优化方法相比，显著提高了适应性和灵活性。
关键设计：足部力配置仅由少数参数定义，优化过程通过贝叶斯优化实现，控制策略结合了关节级跟踪和虚拟模型控制，确保跳跃动作的稳定性和多样性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，经过优化的控制架构使Unitree Go1四足机器人能够实现0.5米的跳跃高度和0.5米的跳跃距离，同时能够进行超过2弧度的跳转，展示了显著的性能提升，尤其是在不平坦地形上的表现。
🎯 应用场景
该研究的潜在应用领域包括救援机器人、探测机器人以及娱乐机器人等，能够在复杂和动态环境中实现灵活的运动能力。未来，该技术有望推动四足机器人在实际应用中的广泛使用，提升其自主性和适应性。
📄 摘要（原文）
Legged robots are becoming increasingly agile in exhibiting dynamic behaviors such as running and jumping. Usually, such behaviors are either optimized and engineered offline (i.e. the behavior is designed for before it is needed), either through model-based trajectory optimization, or through deep learning-based methods involving millions of timesteps of simulation interactions. Notably, such offline-designed locomotion controllers cannot perfectly model the true dynamics of the system, such as the motor dynamics. In contrast, in this paper, we consider a quadruped jumping task that we rapidly optimize online. We design foot force profiles parameterized by only a few parameters which we optimize for directly on hardware with Bayesian Optimization. The force profiles are tracked at the joint level, and added to Cartesian PD impedance control and Virtual Model Control to stabilize the jumping motions. After optimization, which takes only a handful of jumps, we show that this control architecture is capable of diverse and omnidirectional jumps including forward, lateral, and twist (turning) jumps, even on uneven terrain, enabling the Unitree Go1 quadruped to jump 0.5 m high, 0.5 m forward, and jump-turn over 2 rad. Video results can be found at https://youtu.be/SvfVNQ90k_w.