CAD-Driven Co-Design for Flight-Ready Jet-Powered Humanoids

📄 arXiv: 2509.14935v1 📥 PDF

作者: Punith Reddy Vanteddu, Davide Gorbani, Giuseppe L'Erario, Hosameldin Awadalla Omer Mohamed, Fabio Bergonti, Daniele Pucci

分类: cs.RO

发布日期: 2025-09-18

💡 一句话要点

提出CAD驱动的协同设计框架，优化喷气动力人形机器人的飞行性能

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 人形机器人 喷气动力 协同设计 模型预测控制 多目标优化

📋 核心要点

  1. 现有喷气动力人形机器人设计缺乏系统性优化方法，难以兼顾结构可行性与飞行性能。
  2. 提出CAD驱动的协同设计框架，通过参数化建模、聚类分析和多目标优化，实现机器人设计与控制参数的联合优化。
  3. 实验验证了该框架能够生成满足飞行性能要求且结构可行的机器人设计，并优化了控制参数。

📝 摘要（中文）

本文提出了一种CAD驱动的协同设计框架，用于优化喷气动力空中人形机器人，使其能够执行动态约束轨迹。从iRonCub-Mk3模型出发，采用实验设计(DoE)方法，通过修改肢体尺寸、喷气接口几何形状(如角度和偏移)以及整体质量分布，生成了5000个几何形状各异且机械上可行的设计。每个模型都通过CAD装配构建，以确保结构有效性并与仿真工具兼容。为了降低计算成本并实现参数敏感性分析，使用K-means对模型进行聚类，并选择具有代表性的质心进行评估。使用最小加加速度轨迹来评估飞行性能，为基于动量的线性化模型预测控制(MPC)策略提供位置和速度参考。然后，使用NSGA-II算法进行多目标优化，共同探索设计质心和MPC增益参数的空间。目标是最小化轨迹跟踪误差和机械能消耗。该框架输出了一组具有验证控制参数的飞行就绪人形机器人配置，为选择和实施可行的空中人形机器人设计提供了一种结构化方法。

🔬 方法详解

问题定义：现有喷气动力人形机器人的设计通常依赖于人工经验，缺乏系统性的优化方法。这导致设计出的机器人难以同时满足结构可行性和飞行性能的要求，例如，结构强度不足、控制参数难以整定等。因此，需要一种能够自动优化机器人几何结构和控制参数的协同设计方法。

核心思路：本文的核心思路是利用CAD软件进行参数化建模，生成大量不同的机器人设计方案，然后通过聚类分析筛选出具有代表性的设计，最后使用多目标优化算法同时优化机器人结构参数和控制参数，从而找到最优的设计方案。这种协同设计方法能够充分考虑机器人结构和控制之间的相互影响，从而提高机器人的整体性能。

技术框架：该框架主要包含以下几个阶段：1) 基于CAD软件进行参数化建模，生成大量机器人设计方案；2) 使用K-means算法对设计方案进行聚类，选择具有代表性的质心；3) 使用最小加加速度轨迹生成飞行轨迹；4) 使用基于动量的线性化模型预测控制(MPC)策略进行轨迹跟踪；5) 使用NSGA-II算法进行多目标优化，同时优化机器人结构参数和MPC增益参数。

关键创新：该论文的关键创新在于提出了一个CAD驱动的协同设计框架，能够同时优化喷气动力人形机器人的结构和控制参数。该框架结合了CAD建模、聚类分析、模型预测控制和多目标优化等技术，能够有效地解决现有方法中存在的结构可行性和飞行性能难以兼顾的问题。

关键设计：在CAD建模阶段，通过修改肢体尺寸、喷气接口几何形状以及整体质量分布等参数来生成不同的机器人设计方案。在多目标优化阶段，目标函数包括轨迹跟踪误差和机械能消耗。使用NSGA-II算法进行优化，该算法是一种常用的多目标优化算法，能够有效地找到Pareto最优解集。

📊 实验亮点

通过实验，该框架成功生成了一系列飞行就绪的人形机器人配置，并验证了其控制参数。与未经优化的初始设计相比，优化后的机器人能够更精确地跟踪飞行轨迹，并显著降低机械能消耗。具体性能提升数据在论文中未明确给出，属于未知信息。

🎯 应用场景

该研究成果可应用于开发高性能的喷气动力人形机器人，用于搜救、侦察、巡检等任务。此外，该协同设计框架也可推广到其他类型的机器人设计中，例如四足机器人、水下机器人等，具有广泛的应用前景。

📄 摘要（原文）

This paper presents a CAD-driven co-design framework for optimizing jet-powered aerial humanoid robots to execute dynamically constrained trajectories. Starting from the iRonCub-Mk3 model, a Design of Experiments (DoE) approach is used to generate 5,000 geometrically varied and mechanically feasible designs by modifying limb dimensions, jet interface geometry (e.g., angle and offset), and overall mass distribution. Each model is constructed through CAD assemblies to ensure structural validity and compatibility with simulation tools. To reduce computational cost and enable parameter sensitivity analysis, the models are clustered using K-means, with representative centroids selected for evaluation. A minimum-jerk trajectory is used to assess flight performance, providing position and velocity references for a momentum-based linearized Model Predictive Control (MPC) strategy. A multi-objective optimization is then conducted using the NSGA-II algorithm, jointly exploring the space of design centroids and MPC gain parameters. The objectives are to minimize trajectory tracking error and mechanical energy expenditure. The framework outputs a set of flight-ready humanoid configurations with validated control parameters, offering a structured method for selecting and implementing feasible aerial humanoid designs.