Continuous Dynamic Bipedal Jumping via Real-time Variable-model Optimization
作者: Junheng Li, Omar Kolt, Quan Nguyen
分类: cs.RO, eess.SY
发布日期: 2024-04-18 (更新: 2024-09-22)
备注: 7 pages, 7 figures
💡 一句话要点
提出实时变量模型优化以解决双足机器人连续跳跃问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 双足机器人 动态跳跃 实时控制 轨迹优化 模型预测控制 变量模型 机器人控制
📋 核心要点
- 现有的双足机器人跳跃控制方法在实时规划和全身动力学计算上面临较大挑战，尤其是在动态和连续跳跃方面。
- 本文提出了一种结合变量模型轨迹优化和变量频率模型预测控制的框架，以实现实时的连续跳跃规划和控制。
- 在硬件实验中，机器人成功实现了高达40厘米的跳跃，且在53次实验中达到了90%的成功率，展示了其稳健性和动态性。
📝 摘要（中文）
动态和连续跳跃仍然是双足机器人控制中的一个开放且具有挑战性的问题。本文提出了一种新颖的变量模型优化方法，结合了变量模型轨迹优化（TO）和变量频率模型预测控制（MPC），以有效实现HECTOR双足机器人在实时条件下的连续和稳健跳跃规划与控制。该方法融合了不同跳跃阶段的可变精度动力学建模，以平衡轨迹精度和实时计算效率。此外，传统的固定频率控制方法由于采样频率不同而导致建模分辨率不匹配，本文通过将MPC采样频率与不同阶段的TO轨迹分辨率对齐来解决这一问题。实验结果表明，机器人能够实现高达40厘米的动态跳跃，成功率达到90%。
🔬 方法详解
问题定义：本文旨在解决双足机器人在动态和连续跳跃中的实时规划与控制问题。现有方法在计算负担和动力学建模精度上存在不足，导致跳跃效果不理想。
核心思路：论文提出的变量模型优化方法通过结合轨迹优化和模型预测控制，利用不同跳跃阶段的可变精度动力学模型，提升了轨迹规划的准确性和实时性。
技术框架：整体架构包括变量模型轨迹优化（TO）和变量频率模型预测控制（MPC）两个主要模块。TO负责生成跳跃轨迹，而MPC则根据TO的输出进行实时控制。
关键创新：最重要的创新在于将TO的轨迹分辨率与MPC的采样频率对齐，解决了传统固定频率控制方法中存在的建模分辨率不匹配问题。
关键设计：在设计中，采用了可变精度的动力学模型，设置了适应不同跳跃阶段的参数，以确保在实时计算中保持高效和准确。
🖼️ 关键图片
📊 实验亮点
实验结果显示，HECTOR双足机器人能够实现高达40厘米的动态跳跃，成功率达到90%。在连续跳跃中，机器人能够应对高达5厘米的地形高度扰动和20厘米的间隙，展示了其出色的适应能力和稳健性。
🎯 应用场景
该研究的潜在应用领域包括服务机器人、救援机器人以及任何需要灵活移动的双足机器人系统。通过实现高效的跳跃控制，机器人能够在复杂环境中更好地适应和应对各种地形变化，提升其实用性和灵活性。
📄 摘要（原文）
Dynamic and continuous jumping remains an open yet challenging problem in bipedal robot control. Real-time planning with full body dynamics over the entire jumping trajectory presents unsolved challenges in computation burden. In this paper, we propose a novel variable-model optimization approach, a unified framework of variable-model trajectory optimization (TO) and variable-frequency Model Predictive Control (MPC), to effectively realize continuous and robust jumping planning and control on HECTOR bipedal robot in real-time. The proposed TO fuses variable-fidelity dynamics modeling of bipedal jumping motion in different jumping phases to balance trajectory accuracy and real-time computation efficiency. In addition, conventional fixed-frequency control approaches suffer from unsynchronized sampling frequencies, leading to mismatched modeling resolutions. We address this by aligning the MPC sampling frequency with the variable-model TO trajectory resolutions across different phases. In hardware experiments, we have demonstrated robust and dynamic jumps covering a distance of up to 40 cm (57% of robot height). To verify the repeatability of this experiment, we run 53 jumping experiments and achieve 90% success rate. In continuous jumps, we demonstrate continuous bipedal jumping with terrain height perturbations (up to 5 cm) and discontinuities (up to 20 cm gap).