Accelerating Model Predictive Control for Legged Robots through Distributed Optimization

要約

このペーパーでは、分散最適化を通じて脚のロボットのモデル予測制御（MPC）を強化するための新しいアプローチを紹介します。
私たちの方法は、ロボットのダイナミクスを小さく並列化可能なサブシステムに分解し、乗数の交互方向方法（ADMM）を利用してコンセンサスを確保することに焦点を当てています。
各サブシステムは、独自の最適な制御問題によって管理されており、最適化間の一貫性を促進します。
このアプローチは、計算時間を短縮するだけでなく、より複雑なロボット構成で効果的なスケーリングを可能にし、四足ロボット上の関節アームなどの追加のサブシステムの統合を促進します。
数値評価を通じて、複雑さを高める2つのシステムでの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実装と比較して、アプローチが同じソリューションに収束することを紹介します。
さらに、メソッドの計算効率を集中化されたアプローチと定量的に比較し、計算時間が75％減少したことを明らかにします。
全体として、私たちのアプローチは、脚のあるロボットのMPCソリューションを加速するための有望な手段を提供し、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ための道を開いています。

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 Optimal Control Problem, 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