Moving Horizon Estimation and Constrained Model Predictive Control for Balancing a Wheel-Legged Robot Under Unknown Disturbances

📄 arXiv: 2611.04357v1 📥 PDF

作者: Haitham El-Hussieny

分类: eess.SY

发布日期: 2026-11-03

💡 一句话要点

提出移动视界估计与约束模型预测控制以解决轮腿机器人平衡问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 轮腿机器人 平衡控制 移动视界估计 模型预测控制 未知扰动 鲁棒性 仿真评估

📋 核心要点

  1. 现有的平衡控制方法在处理未知扰动（如负载和风）时面临挑战，且难以在不超过电机扭矩限制的情况下保持稳定。
  2. 本文提出的解决方案结合了移动视界估计和约束模型预测控制，能够有效处理噪声和未知扰动，提升机器人平衡能力。
  3. 实验结果表明，MPC与MHE组合在多种运动情况下的速度误差为0.11 m/s，明显优于传统LQR方法的0.24 m/s。

📝 摘要（中文）

轮腿机器人在两个轮子上保持平衡，同时利用关节腿改变高度、吸收冲击并跨越不平坦地形。本文提出了一种结合移动视界估计（MHE）和无偏差、约束模型预测控制（MPC）的方法，以实现9.95公斤轮腿机器人的矢状面平衡。该估计器使用增强的虚拟腿模型，考虑水平髋部力、身体俯仰力矩和陀螺仪偏差。通过在MuJoCo中模拟传感器噪声、偏差、量化和延迟进行评估，结果显示MPC与MHE的组合在多种运动序列中显著降低了速度误差和位置误差。未来工作将集中在硬件上的实验验证。

🔬 方法详解

问题定义：本文旨在解决轮腿机器人在未知扰动下的平衡控制问题。现有方法在处理噪声和突发扰动时，往往难以保持稳定，且容易超过电机的扭矩限制。

核心思路：论文提出了一种结合移动视界估计（MHE）和约束模型预测控制（MPC）的方法，通过增强的虚拟腿模型来处理不确定性和扰动，从而提高机器人的平衡能力。

技术框架：整体架构包括一个移动视界估计器和一个约束模型预测控制器。估计器使用虚拟腿模型，考虑了水平髋部力、身体俯仰力矩和陀螺仪偏差，MPC则在此基础上进行控制决策。

关键创新：最重要的创新在于将移动视界估计与约束模型预测控制相结合，能够在不确定环境中有效地进行状态估计与控制，显著提高了机器人在复杂环境中的适应能力。

关键设计：在设计中，估计器的加速度模型去除了预测的髋部加速度，并在检测到冲击时增加过程噪声。控制器则在不超过电机扭矩限制的情况下，优化控制输入以实现平衡。实验中使用了MuJoCo进行模拟，考虑了传感器噪声、偏差、量化和延迟等因素。

📊 实验亮点

实验结果显示，结合MHE的MPC在多种运动序列中的均方根速度误差为0.11 m/s，相较于使用真实状态的LQR方法的0.24 m/s有显著提升。在面对未知的2 kg负载和10 N的逆风时，MPC的平均位置误差为6 cm，而LQR方法则为81 cm，显示出更强的鲁棒性。

🎯 应用场景

该研究的潜在应用领域包括服务机器人、救援机器人和探索机器人等，能够在复杂和动态环境中保持稳定性，提升机器人在实际应用中的可靠性和安全性。未来，随着硬件实验的验证，该方法有望在更多实际场景中得到应用。

📄 摘要（原文）

Wheel-legged robots balance on two wheels while using articulated legs to change height, absorb impacts, and cross uneven terrain. On hardware, the balance controller must rely on noisy inertial and encoder measurements, and it must reject disturbances that are not known in advance, such as payloads and wind, without exceeding motor torque limits. This paper presents a moving horizon estimator (MHE) combined with an offset-free, constrained model predictive controller (MPC) for the sagittal balance of a 9.95 kg wheel-legged robot. The estimator uses a virtual-leg model augmented with a horizontal hip force, a body pitch torque, and a gyroscope bias. Its accelerometer model removes the predicted hip acceleration, and its process noise is increased when an impact is detected. We evaluate the approach in MuJoCo with simulated sensor noise, bias, quantization, and delay, and compare it with LQR baselines that use ground-truth state, a complementary filter, or the same MHE. In a driving, squatting, reversing, and bowing sequence, MPC with MHE reduced the RMS speed error to 0.11 m/s, compared with 0.24 m/s for LQR with ground-truth state. Under an unknown 2 kg payload and a 10 N headwind, the mean position error in wind was 6 cm, compared with 81 cm for LQR with ground-truth state. Across a 3 $\times$ 4 grid of payloads and headwinds, LQR with the same estimator fell in 3 of 12 combinations, compared with 1 of 12 for MPC. These results are limited to simulation on flat ground, and experimental validation on hardware remains future work.