Whole Body Model Predictive Control for Spin-Aware Quadrupedal Table Tennis

📄 arXiv: 2510.08754v1 📥 PDF

作者: David Nguyen, Zulfiqar Zaidi, Kevin Karol, Jessica Hodgins, Zhaoming Xie

分类: cs.RO, eess.SY

发布日期: 2025-10-09

备注: Submitted to appear in IEEE ICRA 2026

💡 一句话要点

提出基于全身模型预测控制的四足机器人乒乓球系统，实现高速高精度回球

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 四足机器人 乒乓球 模型预测控制 运动控制 轨迹预测

📋 核心要点

  1. 现有四足机器人难以达到人类乒乓球运动的速度、精度和对旋转的预测能力，这是一个挑战。
  2. 该系统通过高速感知、轨迹预测和全身模型预测控制，使四足机器人能够动态地进行乒乓球运动。
  3. 实验表明，该系统能够准确地回击具有不同旋转的球，并能与人类玩家进行对打。

📝 摘要（中文）

本文提出了一种用于四足机器人动态乒乓球的系统，旨在达到人类的速度、精度以及预测和响应各种球旋转的能力。该系统集成了高速感知、轨迹预测和敏捷控制。利用外部相机进行高速球体定位，使用带有学习残差的物理模型来推断旋转并预测轨迹，并采用一种新颖的模型预测控制（MPC）公式来实现敏捷的全身控制。值得注意的是，通过这种控制范式，可以从不同的回球目标中自动产生一组连续的击球策略。在真实的Spot四足机器人上展示了该系统，评估了每个系统组件的准确性，并通过系统瞄准和返回具有不同旋转类型的球的能力来展示协调性。此外，该系统还能够与人类玩家进行对打。

🔬 方法详解

问题定义：现有的四足机器人乒乓球系统在速度、精度和对球旋转的响应方面存在不足。主要痛点在于难以同时实现高速感知、精确的轨迹预测和敏捷的全身控制，尤其是在面对具有复杂旋转的来球时。

核心思路：本文的核心思路是将高速感知、轨迹预测和全身模型预测控制相结合，构建一个完整的乒乓球机器人系统。通过外部相机进行高速球体定位，利用物理模型和学习残差进行轨迹预测，并使用模型预测控制来实现敏捷的全身运动控制。这种集成方法能够使机器人更好地预测和响应来球的旋转，并生成合适的击球策略。

技术框架：该系统主要包含三个模块：1) 高速感知模块，使用外部相机进行球体定位；2) 轨迹预测模块，利用物理模型和学习残差来推断球的旋转并预测其轨迹；3) 全身模型预测控制模块，根据预测的轨迹和期望的回球目标，生成机器人的全身运动控制指令。整个流程是从感知到来球，预测轨迹，然后通过MPC控制机器人进行回击。

关键创新：该论文的关键创新在于提出了一种新颖的全身模型预测控制（MPC）公式，该公式能够自动生成一组连续的击球策略，以应对不同的回球目标。与传统的基于预定义动作的控制方法不同，该MPC方法能够根据来球的特性和期望的回球目标，动态地调整机器人的全身姿态和运动轨迹，从而实现更灵活和高效的控制。

关键设计：轨迹预测模块使用物理模型来模拟球的运动，并通过学习残差来补偿模型的不准确性。MPC控制器的目标函数包括跟踪期望的球拍位置和姿态，以及最小化机器人的运动能量和关节力矩。控制器的约束条件包括机器人的运动学和动力学约束，以及避免碰撞的约束。具体的参数设置和损失函数细节在论文中有更详细的描述。

📊 实验亮点

该系统在真实的Spot四足机器人上进行了验证，实验结果表明，该系统能够准确地回击具有不同旋转的球，并能与人类玩家进行对打。具体的性能数据，例如回球的精度和成功率，以及与基线方法的对比，在论文中有更详细的描述。该系统展示了四足机器人在动态环境中的运动控制和决策能力。

🎯 应用场景

该研究成果可应用于开发更智能、更灵活的四足机器人，使其能够在复杂环境中执行各种任务，例如搜索救援、物流运输和人机协作。此外，该系统在运动控制、感知和预测方面的技术突破，也为其他类型的机器人系统的开发提供了借鉴，例如人形机器人和移动操作机器人。

📄 摘要（原文）

Developing table tennis robots that mirror human speed, accuracy, and ability to predict and respond to the full range of ball spins remains a significant challenge for legged robots. To demonstrate these capabilities we present a system to play dynamic table tennis for quadrupedal robots that integrates high speed perception, trajectory prediction, and agile control. Our system uses external cameras for high-speed ball localization, physical models with learned residuals to infer spin and predict trajectories, and a novel model predictive control (MPC) formulation for agile full-body control. Notably, a continuous set of stroke strategies emerge automatically from different ball return objectives using this control paradigm. We demonstrate our system in the real world on a Spot quadruped, evaluate accuracy of each system component, and exhibit coordination through the system's ability to aim and return balls with varying spin types. As a further demonstration, the system is able to rally with human players.