Task-Space Riccati Feedback based Whole Body Control for Underactuated Legged Locomotion

📄 arXiv: 2404.00591v1 📥 PDF

作者: Shunpeng Yang, Zejun Hong, Sen Li, Patrick Wensing, Wei Zhang, Hua Chen

分类: cs.RO

发布日期: 2024-03-31

备注: 6 pages, submitted to IROS 2024

💡 一句话要点

提出基于Riccati反馈的全身控制以提升非完全驱动腿部运动性能

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 全身控制 非完全驱动 腿部运动 Riccati反馈 线性二次调节器 动态跟踪 机器人控制

📋 核心要点

  1. 现有的全身控制方法在非完全驱动腿部运动中存在性能不足的问题，尤其是在动态跟踪精度方面。
  2. 论文提出了一种基于线性化未驱动动力学的Riccati反馈控制方法，通过系统的参数设计来优化控制性能。
  3. 实验结果显示，提出的方法在双足和四足机器人上均显著提升了线速度和角速度的跟踪精度，验证了其有效性。

📝 摘要（中文）

本论文主要旨在提升非完全驱动腿部运动的全身控制器(WBC)性能。我们引入了一种系统的参数设计机制，用于WBC中的浮动基反馈控制。该方法利用未驱动动力学的线性化模型来构建线性二次调节器(LQR)，并通过对数障碍函数的二阶近似来解决Riccati增益，同时考虑潜在的物理约束。经过在MuJoCo中对点式双足机器人进行的广泛仿真以及在四足机器人上的实际实验，结果表明该方法的有效性。在不同的双足运动任务中，与用户调节的方法相比，提出的方法在线速度跟踪上至少提高了12%，最多提高了50%；在角速度跟踪上至少提高了7%，最多提高了47%。在四足实验中，线速度跟踪提高了至少3%，角速度跟踪提高了至少23%。

🔬 方法详解

问题定义：本论文旨在解决非完全驱动腿部运动中全身控制器(WBC)性能不足的问题，现有方法在动态跟踪精度和响应速度上存在明显的短板。

核心思路：论文的核心思路是利用未驱动动力学的线性化模型构建线性二次调节器(LQR)，并通过Riccati增益优化浮动基反馈控制，以提高控制精度和响应速度。

技术框架：整体架构包括三个主要模块：首先，线性化未驱动动力学模型的构建；其次，基于该模型的LQR设计与Riccati增益求解；最后，结合物理约束的反馈控制实现。

关键创新：最重要的技术创新在于引入了对数障碍函数的二阶近似，以有效处理物理约束，从而优化Riccati增益的求解过程，与传统方法相比，显著提升了控制性能。

关键设计：在参数设置上，采用用户调节的反馈增益替换为通过Riccati增益计算得到的新增益，损失函数设计考虑了动态跟踪的精度与稳定性，确保了控制系统的鲁棒性。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果表明，提出的方法在双足机器人上在线速度跟踪方面至少提高了12%，最多提高了50%；在角速度跟踪方面至少提高了7%，最多提高了47%。在四足机器人实验中，线速度跟踪提高了至少3%，角速度跟踪提高了至少23%，显示出显著的性能提升。

🎯 应用场景

该研究的潜在应用领域包括机器人行走、自动驾驶和人机交互等场景。通过提升非完全驱动腿部运动的控制性能，能够实现更灵活和高效的机器人运动，具有重要的实际价值和未来影响。

📄 摘要（原文）

This manuscript primarily aims to enhance the performance of whole-body controllers(WBC) for underactuated legged locomotion. We introduce a systematic parameter design mechanism for the floating-base feedback control within the WBC. The proposed approach involves utilizing the linearized model of unactuated dynamics to formulate a Linear Quadratic Regulator(LQR) and solving a Riccati gain while accounting for potential physical constraints through a second-order approximation of the log-barrier function. And then the user-tuned feedback gain for the floating base task is replaced by a new one constructed from the solved Riccati gain. Extensive simulations conducted in MuJoCo with a point bipedal robot, as well as real-world experiments performed on a quadruped robot, demonstrate the effectiveness of the proposed method. In the different bipedal locomotion tasks, compared with the user-tuned method, the proposed approach is at least 12% better and up to 50% better at linear velocity tracking, and at least 7% better and up to 47% better at angular velocity tracking. In the quadruped experiment, linear velocity tracking is improved by at least 3% and angular velocity tracking is improved by at least 23% using the proposed method.