Accelerating Model Predictive Control for Legged Robots through Distributed Optimization

要約

この論文では、分散最適化を通じて脚式ロボットのモデル予測制御 (MPC) を強化する新しいアプローチを紹介します。
私たちの手法は、ロボットのダイナミクスをより小さな並列化可能なサブシステムに分解し、乗算器の交互方向法 (ADMM) を利用してサブシステム間のコンセンサスを確保することに重点を置いています。
各サブシステムは独自の \gls{ocp} によって管理され、ADMM によって最適化間の一貫性が促進されます。
このアプローチにより、計算時間が短縮されるだけでなく、より複雑なロボット構成での効果的なスケーリングが可能になり、四足ロボットの多関節アームなどの追加のサブシステムの統合が容易になります。
数値評価を通じて、複雑さが増大する 2 つのシステムに対するアプローチの収束を実証します。
さらに、最先端の集中型全身 MPC 実装と比較した場合、私たちのアプローチが同じソリューションに収束していることを示します。
さらに、私たちの方法の計算効率を集中型アプローチと定量的に比較し、計算時間が最大 75% 削減されることを明らかにしました。
全体として、私たちのアプローチは脚式ロボットの MPC ソリューションを高速化するための有望な道を提供し、最新のハードウェアの計算パフォーマンスをより効果的に利用する道を開きます。

要約(オリジナル)

This paper presents a novel approach to enhance Model Predictive Control (MPC) for legged robots through Distributed Optimization. Our method focuses on decomposing the robot dynamics into smaller, parallelizable subsystems, and utilizing the Alternating Direction Method of Multipliers (ADMM) to ensure consensus among them. Each subsystem is managed by its own \gls{ocp}, with ADMM facilitating consistency between their optimizations. This approach not only decreases the computational time but also allows for effective scaling with more complex robot configurations, facilitating the integration of additional subsystems such as articulated arms on a quadruped robot. We demonstrate, through numerical evaluations, the convergence of our approach on two systems with increasing complexity. In addition, we showcase that our approach converges towards the same solution when compared to a state-of-the-art centralized whole-body MPC implementation. Moreover, we quantitatively compare the computational efficiency of our method to the centralized approach, revealing up to a 75\% reduction in computational time. Overall, our approach offers a promising avenue for accelerating MPC solutions for legged robots, paving the way for more effective utilization of the computational performance of modern hardware.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google