Multi-contact Stochastic Predictive Control for Legged Robots with Contact Locations Uncertainty

要約

不確実性の下での軌道の最適化は、環境と接触するロボットにとって難しい問題です。
このような不確実性は、推定誤差、制御の不完全性、および制御に使用される計画モデルと実際のロボットのダイナミクス間のモデルの不一致により避けられません。
これにより、意図しない位置で接触することにより接触位置の制約に違反する可能性のある制御ポリシーが誘発され、その結果、危険な動作計画につながります。
この研究では、ロボットの完全な運動学の関数として接触位置のチャンス制約を受けるモデルのダイナミクスの付加的な不確実性を考慮することにより、確率的非線形モデル予測制御 (SNMPC) を使用したロバストなキノダイナミクス全身軌道最適化の問題に取り組んでいます。
接触位置制約満足度 (安全性) の観点から、全身軌道の最適化に従来の非線形 MPC (NMPC) よりも SNMPC を使用する利点を示します。
私たちは、接触位置の満足度が重要となる、小さな飛び石の上で俊敏な速歩やバウンド動作を実行する四足ロボットに対して、広範なモンテカルロ シミュレーションを実行しました。
私たちの結果は、SNMPC が 100% の成功率ですべての動作を安全に実行できるのに対し、NMPC はすべての動作の 48.3% に失敗したことを示しています。

要約(オリジナル)

Trajectory optimization under uncertainties is a challenging problem for robots in contact with the environment. Such uncertainties are inevitable due to estimation errors, control imperfections, and model mismatches between planning models used for control and the real robot dynamics. This induces control policies that could violate the contact location constraints by making contact at unintended locations, and as a consequence leading to unsafe motion plans. This work addresses the problem of robust kino-dynamic whole-body trajectory optimization using stochastic nonlinear model predictive control (SNMPC) by considering additive uncertainties on the model dynamics subject to contact location chance-constraints as a function of robot’s full kinematics. We demonstrate the benefit of using SNMPC over classic nonlinear MPC (NMPC) for whole-body trajectory optimization in terms of contact location constraint satisfaction (safety). We run extensive Monte-Carlo simulations for a quadruped robot performing agile trotting and bounding motions over small stepping stones, where contact location satisfaction becomes critical. Our results show that SNMPC is able to perform all motions safely with 100% success rate, while NMPC failed 48.3% of all motions.

arxiv情報

著者 Ahmad Gazar,Majid Khadiv,Andrea Del Prete,Ludovic Righetti
発行日 2024-06-12 19:29:20+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO, cs.SY, eess.SY パーマリンク