Data-Driven Predictive Control for Robust Exoskeleton Locomotion

📄 arXiv: 2403.15658v2 📥 PDF

作者: Kejun Li, Jeeseop Kim, Xiaobin Xiong, Kaveh Akbari Hamed, Yisong Yue, Aaron D. Ames

分类: cs.RO

发布日期: 2024-03-23 (更新: 2024-10-25)

💡 一句话要点

提出数据驱动预测控制以解决外骨骼行走的鲁棒性问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 外骨骼 数据驱动控制 预测控制 鲁棒性 步态规划 逆运动学 负载适应

📋 核心要点

  1. 现有的外骨骼控制方法在适应不同用户和负载时存在鲁棒性不足的问题。
  2. 本文提出的数据驱动预测控制框架，通过多层架构实现对行走步态的合成与适应。
  3. 实验结果表明，DDPC在不同速度下的双足行走表现出更高的鲁棒性，相较于传统MPC方法有显著提升。

📝 摘要（中文）

外骨骼行走需要在适应不同用户及负载的同时保持鲁棒性。为此，本文提出了一种数据驱动预测控制（DDPC）框架，用于合成下肢外骨骼的行走步态，利用汉克尔矩阵和状态转移矩阵构建数据驱动模型。该方法通过多层架构实现，顶层作为规划器，生成可学习和适应不同用户与负载的数据驱动模型；底层则结合逆运动学和基于被动性的控制，将规划轨迹映射到下肢外骨骼的全阶状态。通过在Atalante下肢外骨骼上进行数值仿真和硬件实验验证了该方法的有效性，并与基于简化线性倒立摆模型的模型预测控制（MPC）进行了比较，结果表明DDPC在考虑模型不确定性和未知扰动的情况下，实现了在不同速度下的鲁棒双足行走。

🔬 方法详解

问题定义：本文旨在解决外骨骼行走控制中鲁棒性不足的问题，特别是在面对不同用户和负载时，现有方法难以适应多变的环境和需求。

核心思路：提出的数据驱动预测控制（DDPC）框架，通过利用汉克尔矩阵和状态转移矩阵，构建一个能够学习和适应的行走步态模型，从而提高外骨骼的适应性和鲁棒性。

技术框架：DDPC框架采用多层架构，顶层负责生成数据驱动模型并进行步态规划，底层则通过逆运动学和被动性控制将规划的轨迹映射到外骨骼的全阶状态。

关键创新：该研究的主要创新在于引入了数据驱动的预测控制方法，区别于传统的模型预测控制（MPC），能够更好地处理模型不确定性和未知扰动。

关键设计：在设计中，采用汉克尔矩阵和状态转移矩阵作为数据驱动模型的基础，同时结合逆运动学和被动性控制的技术细节，以确保轨迹的准确性和稳定性。实验中使用了Atalante下肢外骨骼进行验证，确保了方法的实用性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，DDPC方法在不同负载和速度下的双足行走表现出显著的鲁棒性，相较于基于简化线性倒立摆模型的MPC方法，提升幅度达到了XX%（具体数据未知），有效应对了模型不确定性和未知扰动。

🎯 应用场景

该研究的潜在应用领域包括康复机器人、助行器及其他外骨骼设备，能够为不同用户提供个性化的行走支持。其实际价值在于提升外骨骼的适应性和鲁棒性，未来可能在医疗、老年人辅助及军事等领域产生深远影响。

📄 摘要（原文）

Exoskeleton locomotion must be robust while being adaptive to different users with and without payloads. To address these challenges, this work introduces a data-driven predictive control (DDPC) framework to synthesize walking gaits for lower-body exoskeletons, employing Hankel matrices and a state transition matrix for its data-driven model. The proposed approach leverages DDPC through a multi-layer architecture. At the top layer, DDPC serves as a planner employing Hankel matrices and a state transition matrix to generate a data-driven model that can learn and adapt to varying users and payloads. At the lower layer, our method incorporates inverse kinematics and passivity-based control to map the planned trajectory from DDPC into the full-order states of the lower-body exoskeleton. We validate the effectiveness of this approach through numerical simulations and hardware experiments conducted on the Atalante lower-body exoskeleton with different payloads. Moreover, we conducted a comparative analysis against the model predictive control (MPC) framework based on the reduced-order linear inverted pendulum (LIP) model. Through this comparison, the paper demonstrates that DDPC enables robust bipedal walking at various velocities while accounting for model uncertainties and unknown perturbations.