CacheMPC: Certified Cached Model Predictive Control for Quadruped Locomotion
作者: Nimesh Khandelwal, Mehul Anand, Shakti S. Gupta, Mangal Kothari
分类: cs.RO
发布日期: 2026-06-26
💡 一句话要点
提出CacheMPC以解决四足机器人运动控制中的计算效率问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 四足机器人 运动控制 缓存机制 实时系统 局部敏感哈希 控制算法 实验评估
📋 核心要点
- 现有的模型预测控制方法在嵌入式处理器上更新速率受限，影响四足机器人的运动控制性能。
- 本文提出了一种基于局部敏感哈希的缓存机制，能够在查询时快速检索接触力轨迹，并通过证书确认其可行性。
- 实验结果表明，该方法在仿真中实现了25倍的求解时间加速，硬件上也达到了18.7倍的加速，性能显著提升。
📝 摘要（中文）
模型预测控制（MPC）是分层四足控制器中的标准预测层，但每周期的QP求解限制了嵌入式处理器的更新速率。由于腿部步态会重访有限的状态空间，MPC解决方案允许缓存和重用。本文提出了 extit{Certified CacheMPC}：一种基于局部敏感哈希的缓存机制，用于接触力轨迹的缓存，通过接触模式进行分区，在查询时检索，并仅在后验证书确认原始可行性和拉格朗日对偶间隙上界时接受。该框架在Unitree Go2上进行了评估，涵盖2038个可用的冷控制MuJoCo试验，结果显示在仿真中实现了25倍的求解时间加速，在硬件上实现了18.7倍的加速。
🔬 方法详解
问题定义：本文旨在解决四足机器人运动控制中模型预测控制（MPC）在嵌入式处理器上更新速率受限的问题。现有方法在每个周期的QP求解上耗时较长，影响了实时控制性能。
核心思路：提出的Certified CacheMPC通过缓存接触力轨迹，利用局部敏感哈希技术在查询时快速检索，并通过后验证书确保轨迹的可行性和成本次优性，从而提高控制效率。
技术框架：该框架包括三个主要模块：1）接触力轨迹的缓存与检索；2）基于证书的可行性验证；3）结合顶级K个认证检索的调度策略，确保在截止时间内完成QP求解。
关键创新：最重要的创新在于引入了基于证书的缓存机制，允许在保证控制安全性的前提下，显著加快轨迹检索和QP求解的速度。这一方法与传统的MPC方法相比，能够有效减少计算负担。
关键设计：在设计中，采用了局部敏感哈希算法进行轨迹缓存，设置了合理的预算控制策略，并通过调度算法结合了顶级K个认证轨迹的检索，确保了控制的实时性和稳定性。实验中还考虑了不同接触模式的分区策略，以提高缓存的效率。
🖼️ 关键图片
📊 实验亮点
实验结果显示，使用CacheMPC方法在仿真中实现了25倍的求解时间加速，而在实际硬件上也达到了18.7倍的加速。在n=50的实验中，缓存变体与无缓存基线在闭环稳定性上没有显著差异，表明该方法在性能和安全性上的有效性。
🎯 应用场景
该研究的潜在应用领域包括四足机器人、自动驾驶、无人机等需要实时运动控制的场景。通过提高控制算法的效率，能够在复杂环境中实现更高的自主性和灵活性，推动智能机器人技术的发展。
📄 摘要（原文）
Model Predictive Control (MPC) is the standard predictive layer in hierarchical quadruped controllers, but the per-cycle QP solve limits the update rate achievable on embedded processors. Because legged gaits revisit a bounded region of state space, MPC solutions admit caching and reuse. This paper proposes \emph{Certified CacheMPC}: a Locality-Sensitive-Hashed cache of horizon contact-force trajectories, partitioned by contact mode, retrieved at query time and accepted only when an a-posteriori per-query certificate confirms primal feasibility and a Lagrangian dual-gap upper bound on cost suboptimality. A bounded-budget controller schedule combines top-$K$ certified retrieval, a deadline-bounded QP solve, and a shifted last-certified fallback. The framework is evaluated on a Unitree Go2 across $2{,}038$ usable cold-controller MuJoCo trials, including a $600$-trial $n!=!50$ campaign at three failure-boundary cells, and a first-deploy session on the on-robot NVIDIA Orin NX. The un-gated cache delivers a $25\times$ median solve-time speedup in simulation and an $18.7\times$ median speedup on hardware. At $n!=!50$ no statistically significant difference in closed-loop stable rate is detected between the cache variants and the no-cache baseline at any tested cell. The certificate's contribution to closed-loop safety is not resolvable at the present sample size.