Robust-Locomotion-by-Logic: Perturbation-Resilient Bipedal Locomotion via Signal Temporal Logic Guided Model Predictive Control
作者: Zhaoyuan Gu, Yuntian Zhao, Yipu Chen, Rongming Guo, Jennifer K. Leestma, Gregory S. Sawicki, Ye Zhao
分类: cs.RO
发布日期: 2024-03-24 (更新: 2024-11-19)
💡 一句话要点
提出基于信号时序逻辑的MPC框架以解决双足机器人稳健行走问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 双足机器人 模型预测控制 信号时序逻辑 稳健行走 动态仿真 恢复策略 自腿碰撞约束
📋 核心要点
- 现有的双足机器人恢复策略在处理复杂任务逻辑和评估行走稳健性方面存在不足，容易导致失败。
- 本研究提出了一种结合STL规范的MPC框架，通过分析性稳定性度量指导恢复轨迹生成，提升稳健性。
- 实验结果表明，该框架在高保真动态仿真中优于现有控制器，特别是在交叉腿动作中表现显著提升。
📝 摘要（中文）
本研究提出了一种稳健的规划框架，利用模型预测控制（MPC）方法，并结合信号时序逻辑（STL）规范。这是首次将STL引导的轨迹优化应用于双足行走，旨在处理平移和方向扰动。现有的恢复策略在处理复杂任务逻辑和系统评估行走稳健性方面存在困难，容易因不当的恢复策略或缺乏稳健性而失败。为此，我们设计了一种分析性稳定性度量，并通过STL规范量化该度量，以指导恢复轨迹的生成，从而实现最大稳健性。此外，我们设计的数据驱动自腿碰撞约束比传统的逆运动学方法快1000倍。我们的框架在高保真动态仿真中优于现有的行走控制器，尤其是在交叉腿动作场景中表现突出。
🔬 方法详解
问题定义：本研究旨在解决双足机器人在平移和方向扰动下的稳健行走问题。现有方法在处理复杂任务逻辑和稳健性评估时存在局限，导致恢复策略不够有效。
核心思路：论文提出了一种基于信号时序逻辑（STL）的模型预测控制（MPC）框架，通过设计分析性稳定性度量来指导轨迹优化，从而增强双足机器人的稳健性。
技术框架：整体架构包括STL规范的集成、稳定性度量的设计、恢复轨迹的生成和数据驱动的自腿碰撞约束。该框架通过MPC方法实现动态控制，确保机器人在复杂环境中的稳定性。
关键创新：最重要的创新在于首次将STL引导的轨迹优化应用于双足行走，设计了新的稳定性度量，显著提高了机器人在扰动下的恢复能力。
关键设计：关键设计包括自腿碰撞约束的实现，速度比传统逆运动学方法快1000倍，确保了计算效率和安全性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的框架在高保真动态仿真中优于现有的行走控制器，尤其在交叉腿动作中表现出色，稳健性提升幅度显著。具体而言，框架在处理水平和方向扰动时，Cassie双足机器人表现出优异的稳定性，验证了其在实际硬件上的有效性。
🎯 应用场景
该研究的潜在应用领域包括服务机器人、救援机器人和人形机器人等，能够在复杂和动态环境中实现稳健的行走能力。未来，该框架可扩展至更多类型的机器人控制任务，提升其在实际应用中的可靠性和适应性。
📄 摘要（原文）
This study introduces a robust planning framework that utilizes a model predictive control (MPC) approach, enhanced by incorporating signal temporal logic (STL) specifications. This marks the first-ever study to apply STL-guided trajectory optimization for bipedal locomotion, specifically designed to handle both translational and orientational perturbations. Existing recovery strategies often struggle with reasoning complex task logic and evaluating locomotion robustness systematically, making them susceptible to failures caused by inappropriate recovery strategies or lack of robustness. To address these issues, we design an analytical stability metric for bipedal locomotion and quantify this metric using STL specifications, which guide the generation of recovery trajectories to achieve maximum robustness degree. To enable safe and computational-efficient crossed-leg maneuver, we design data-driven self-leg-collision constraints that are $1000$ times faster than the traditional inverse-kinematics-based approach. Our framework outperforms a state-of-the-art locomotion controller, a standard MPC without STL, and a linear-temporal-logic-based planner in a high-fidelity dynamic simulation, especially in scenarios involving crossed-leg maneuvers. Additionally, the Cassie bipedal robot achieves robust performance under horizontal and orientational perturbations such as those observed in ship motions. These environments are validated in simulations and deployed on hardware. Furthermore, our proposed method demonstrates versatility on stepping stones and terrain-agnostic features on inclined terrains.