要約
四足歩行の最近の進歩は、多様な環境における安定性とパフォーマンスの向上に重点を置いています。
しかし、既存の方法には適切な安全分析が欠けていることが多く、さまざまな積載量や複雑な地形に適応するのに苦労しており、通常は広範な調整が必要です。
これらの課題を克服するために、単一の剛体ダイナミクス (SRBD) モデル内のパラメトリック外乱と付加的外乱の分布としてペイロードと地形の変動を明示的にモデル化するチャンス制約モデル予測制御 (CCMPC) フレームワークを提案します。
私たちのアプローチは、実行可能な地面反力のセットを定義するモデルの摩擦円錐制約を確率制約として表現することにより、不確実な力学下でも安全で一貫したパフォーマンスを保証します。
さらに、計算効率の高い二次計画法を使用して、結果として生じる確率的制御問題を解決します。
さまざまな積載量と複雑な地形にわたる四足歩行の広範なモンテカルロ シミュレーションにより、CCMPC が 2 つの競合ベンチマークであるリニア MPC (LMPC) と、安定性を維持し、足の滑りを軽減し、重心を追跡するために手動で調整された安全マージンを備えた MPC よりも大幅に優れていることが実証されました。
Unitree Go1 ロボットのハードウェア実験では、追加のパラメータ調整を行わなかったにもかかわらず、ロボットの体重の 50% を超える未知の負荷をかけて、さまざまな屋内および屋外の地形での移動に成功したことが示されています。
結果のビデオとそれに付随するコードは、https://cc-mpc.github.io/ でご覧いただけます。
要約(オリジナル)
Recent advances in quadrupedal locomotion have focused on improving stability and performance across diverse environments. However, existing methods often lack adequate safety analysis and struggle to adapt to varying payloads and complex terrains, typically requiring extensive tuning. To overcome these challenges, we propose a Chance-Constrained Model Predictive Control (CCMPC) framework that explicitly models payload and terrain variability as distributions of parametric and additive disturbances within the single rigid body dynamics (SRBD) model. Our approach ensures safe and consistent performance under uncertain dynamics by expressing the model friction cone constraints, which define the feasible set of ground reaction forces, as chance constraints. Moreover, we solve the resulting stochastic control problem using a computationally efficient quadratic programming formulation. Extensive Monte Carlo simulations of quadrupedal locomotion across varying payloads and complex terrains demonstrate that CCMPC significantly outperforms two competitive benchmarks: Linear MPC (LMPC) and MPC with hand-tuned safety margins to maintain stability, reduce foot slippage, and track the center of mass. Hardware experiments on the Unitree Go1 robot show successful locomotion across various indoor and outdoor terrains with unknown loads exceeding 50% of the robot body weight, despite no additional parameter tuning. A video of the results and accompanying code can be found at: https://cc-mpc.github.io/.
arxiv情報
著者 | Ananya Trivedi,Sarvesh Prajapati,Mark Zolotas,Michael Everett,Taskin Padir |
発行日 | 2024-11-05 20:07:27+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google