Thruster-Enhanced Locomotion: A Decoupled Model Predictive Control with Learned Contact Residuals

📄 arXiv: 2508.03003v1 📥 PDF

作者: Chenghao Wang, Alireza Ramezani

分类: cs.RO

发布日期: 2025-08-05

💡 一句话要点

提出解耦模型预测控制以解决机器人行走稳定性问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 机器人行走 接触残差动态 解耦控制 推力辅助

📋 核心要点

  1. 现有的统一控制方法在低扭矩控制带宽下难以有效优化推力与地面反作用力，导致机器人行走稳定性不足。
  2. 本文提出解耦控制架构，结合Raibert型控制器与MPC，通过学习的接触残差动态来处理腿与地面的接触影响。
  3. 实验结果表明，采用CRD的解耦控制架构在推力恢复和行走模式稳定性上显著优于不使用CRD的控制器。

📝 摘要（中文）

Husky Carbon是一款由东北大学开发的机器人，旨在探索姿态操控与推力矢量的统一。与传统四足机器人不同，该机器人结合了关节驱动器和推力器，增强了控制能力，支持推力辅助的狭窄路径行走。尽管统一的模型预测控制（MPC）框架理论上可以优化地面反作用力和推力，但由于轻量级驱动器的低扭矩控制带宽，其可行性受到限制。为此，本文提出了一种解耦控制架构：Raibert型控制器负责腿部运动，而MPC则通过学习的接触残差动态（CRD）调节推力器，以考虑腿与地面接触的影响。通过仿真和硬件实验验证，该方法在推力恢复和猫步行走模式方面表现出更稳定的行为。

🔬 方法详解

问题定义：本文旨在解决Husky Carbon机器人在推力与地面反作用力优化中的控制稳定性问题。现有的统一MPC方法由于轻量级驱动器的低扭矩控制带宽，难以有效应对腿部与地面接触的动态变化。

核心思路：论文提出的解耦控制架构将腿部运动与推力控制分开，Raibert型控制器负责腿部位置控制，而MPC则通过学习的接触残差动态来调节推力器，从而绕过扭矩控制的瓶颈。

技术框架：整体架构包括两个主要模块：Raibert型控制器和MPC控制器。Raibert控制器负责腿部的运动控制，MPC控制器则利用学习的CRD来优化推力器的输出，以应对腿与地面接触时的动态影响。

关键创新：最重要的创新在于引入了学习的接触残差动态（CRD），使得MPC能够显式考虑腿部与地面接触的动态特性，从而提升了控制的稳定性和响应性。

关键设计：在设计中，CRD的学习过程采用了基于历史接触数据的回归模型，损失函数则关注于接触力的准确预测，确保推力器的输出能够有效补偿腿部的动态影响。

📊 实验亮点

实验结果显示，采用CRD的解耦控制架构在推力恢复和猫步行走模式方面表现出更稳定的行为，相较于不使用CRD的控制器，稳定性提升幅度达到了显著水平，具体性能数据未详细披露。

🎯 应用场景

该研究的潜在应用领域包括服务机器人、救援机器人和探索机器人等，尤其是在复杂地形或狭窄路径的行走场景中。通过提升机器人的行走稳定性和适应性，未来可在更多实际应用中实现更高效的自主导航与操作。

📄 摘要（原文）

Husky Carbon, a robot developed by Northeastern University, serves as a research platform to explore unification of posture manipulation and thrust vectoring. Unlike conventional quadrupeds, its joint actuators and thrusters enable enhanced control authority, facilitating thruster-assisted narrow-path walking. While a unified Model Predictive Control (MPC) framework optimizing both ground reaction forces and thruster forces could theoretically address this control problem, its feasibility is limited by the low torque-control bandwidth of the system's lightweight actuators. To overcome this challenge, we propose a decoupled control architecture: a Raibert-type controller governs legged locomotion using position-based control, while an MPC regulates the thrusters augmented by learned Contact Residual Dynamics (CRD) to account for leg-ground impacts. This separation bypasses the torque-control rate bottleneck while retaining the thruster MPC to explicitly account for leg-ground impact dynamics through learned residuals. We validate this approach through both simulation and hardware experiments, showing that the decoupled control architecture with CRD performs more stable behavior in terms of push recovery and cat-like walking gait compared to the decoupled controller without CRD.