Robustifying Model-Based Locomotion by Zero-order Stochastic Nonlinear Model Predictive Control with Guard Saltation Matrix

📄 arXiv: 2403.14159v2 📥 PDF

作者: Sotaro Katayama, Noriaki Takasugi, Mitsuhisa Kaneko, Norio Nagatsuka, and Masaya Kinoshita

分类: cs.RO, math.OC

发布日期: 2024-03-21 (更新: 2024-09-13)

备注: 8 pages, 8 figures

💡 一句话要点

提出鲁棒非线性模型预测控制以解决腿部运动中的接触不确定性问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 鲁棒控制 腿部运动 接触不确定性 随机控制 扩展卡尔曼滤波 机器人技术

📋 核心要点

  1. 现有的模型预测控制方法在腿部运动中面临接触不确定性带来的鲁棒性挑战，导致运动控制不稳定。
  2. 本文提出了一种结合保护跃迁矩阵和扩展卡尔曼滤波的随机/鲁棒NMPC方法，以有效处理接触不确定性。
  3. 通过数值和硬件实验，验证了所提方法在预测状态协方差和生成约束轨迹方面的有效性，显示出显著的性能提升。

📝 摘要（中文）

本文提出了一种随机/鲁棒非线性模型预测控制（NMPC）方法，以增强基于模型的腿部运动在接触不确定性下的鲁棒性。通过利用保护跃迁矩阵和扩展卡尔曼滤波器样的协方差更新，将接触不确定性整合到随机/鲁棒NMPC框架的协方差传播中。我们通过使用零阶算法实现了快速的随机/鲁棒NMPC计算，并在反馈增益的计算效率上进行了额外改进。数值实验表明，所提方法能够准确预测未来状态协方差，并在接触不确定性存在的情况下生成满足约束的轨迹。此外，我们还在轮腿机器人上进行了硬件实验，验证了该方法在有限计算能力的实际系统中的可行性。

🔬 方法详解

问题定义：本文旨在解决基于模型的腿部运动控制中，由于接触不确定性导致的鲁棒性不足的问题。现有方法在面对动态环境时，往往无法有效处理这些不确定性，导致控制效果不佳。

核心思路：论文提出了一种随机/鲁棒NMPC框架，通过引入保护跃迁矩阵和扩展卡尔曼滤波器样的协方差更新，来整合接触不确定性，从而提高控制的鲁棒性和准确性。

技术框架：整体方法包括以下几个主要模块：首先，通过扩展卡尔曼滤波器进行状态估计和协方差更新；其次，利用保护跃迁矩阵处理接触不确定性；最后，采用零阶算法进行快速的NMPC计算，以优化控制输入。

关键创新：本研究的主要创新在于将保护跃迁矩阵与随机/鲁棒NMPC结合，形成了一种新的控制框架，显著提高了在不确定性环境下的控制性能。这一方法与传统NMPC的本质区别在于其对不确定性的处理能力。

关键设计：在参数设置上，采用了适应性反馈增益以提高计算效率，并在损失函数中引入了对接触不确定性的惩罚项，以确保生成的轨迹满足约束条件。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提方法在处理接触不确定性方面表现优异，能够准确预测未来状态协方差，并生成满足约束的轨迹。与基线方法相比，所提方法在轨迹生成的准确性和鲁棒性上均有显著提升，具体性能数据未详细列出。

🎯 应用场景

该研究的潜在应用领域包括机器人运动控制、自动驾驶车辆、以及任何需要在不确定环境中进行精确运动控制的系统。通过增强鲁棒性，该方法能够在复杂和动态的环境中实现更高效的运动规划与执行，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

This paper presents a stochastic/robust nonlinear model predictive control (NMPC) to enhance the robustness of model-based legged locomotion against contact uncertainties. We integrate the contact uncertainties into the covariance propagation of stochastic/robust NMPC framework by leveraging the guard saltation matrix and an extended Kalman filter-like covariance update. We achieve fast stochastic/robust NMPC computation by utilizing the zero-order algorithm with additional improvements in computational efficiency concerning the feedback gains. We conducted numerical experiments and demonstrate that the proposed method can accurately forecast future state covariance and generate trajectories that satisfies constraints even in the presence of the contact uncertainties. Hardware experiments on the perceptive locomotion of a wheeled-legged robot were also carried out, validating the feasibility of the proposed method in a real-world system with limited on-board computation.