Distributed Data-Driven Predictive Control for Multi-Agent Collaborative Legged Locomotion

Autoren: Randall T. Fawcett, Leila Amanzadeh, Jeeseop Kim, Aaron D. Ames, Kaveh Akbari Hamed · ICRA 2023

Lizenzen

Open Access
Paper: CC BY 4.0

Alles Folgende stützt sich auf das vollständige Paper unter seiner Lizenz CC BY 4.0; die Abbildung wird mit Nennung der Autoren gezeigt.

Kurz gesagt

Ein Hankel-Matrix-Modell von über Kugelgelenke gekoppelten Vierbeinern, aus Simulationsdaten gebildet und in QPs pro Roboter aufgeteilt, plant Kräfte und COM-Pfade für 5 simulierte und 3 reale A1s.

Warum es wichtig ist

Ein aus Simulationsdaten gelerntes Planungsmodell erfasst gekoppelte Mehrroboterdynamik, die von Hand schwer zu modellieren ist, und wurde mit denselben Verstärkungen wie in der Simulation auf die Hardware übertragen. Die Aufteilung des Planers nach Robotern hält jedes Problem bei 450 Entscheidungsvariablen statt 2250 bei einem zentralen Planer für fünf Roboter.

Problem

Über Kugelgelenke starr verbundene Vierbeiner üben große Wechselwirkungskräfte aufeinander aus, und Template-Modelle wie das lineare inverse Pendel oder der einzelne starre Körper werden mit zunehmender Roboterzahl zu komplex, um als Planungsmodelle reduzierter Ordnung zu dienen. Datengetriebene prädiktive Regelung aus der Theorie behavioraler Systeme kommt ohne explizites Modell aus, doch ihre Standardform fügt Entscheidungsvariablen hinzu, die sie für Teams von Vierbeinern in Echtzeit unlösbar machen.

Lösungsansatz

Ein- und Ausgabedaten (Eingang: Kontaktkräfte; Ausgang: Standhöhe, COM-Geschwindigkeiten, Roll-, Nick- und Gierrate) werden in RaiSim erfasst, wobei den Sollkräften zufälliges Rauschen aufgeprägt wird, und dann in Hankel-Matrizen gestapelt, um über eine Pseudoinverse eine datengetriebene N-Schritt-Übergangsmatrix zu bilden, wodurch der g-Vektor aus der Optimierung entfällt. Die Matrix wird in Blöcke pro Agent und Kopplungsblöcke aufgeteilt, jeder Roboter löst sein eigenes QP mit den Plänen der anderen Roboter aus dem vorherigen Zeitschritt, und ein QP-basierter Virtual-Constraint-Regler mit 1 kHz auf jedem Roboter folgt den geplanten Kräften und der COM-Trajektorie.

Wichtigste Erkenntnisse

Die Theorie behavioraler Systeme stellt ein lineares zeitinvariantes System über Hankel-Matrizen direkt durch seine gemessenen Trajektorien dar, ohne Zustandsraummatrizen zu identifizieren.
Die Offline-Näherung des g-Vektors mit einer Pseudoinversen macht aus datengestützter prädiktiver Regelung einen Planer mit weit weniger Entscheidungsvariablen und ermöglicht so den Echtzeiteinsatz.
Die Aufteilung der datengetriebenen Übergangsmatrix in Blöcke pro Agent und Kopplungsblöcke mit einer Kommunikationsverzögerung von einem Schritt lässt jeden Roboter eigenständig planen und erhält dennoch die Kopplung zwischen den Robotern.
Die Datenerfassung in der Simulation, in der jeder Roboter genau modelliert werden kann, umgeht den schwierigen Teil, ein physikbasiertes Modell reduzierter Ordnung des gekoppelten Teams, und das resultierende Modell ließ sich auf die Hardware übertragen.

Hauptergebnisse

Simulation: 5 gekoppelte A1-Roboter laufen mit einer unbekannten Nutzlast von 10 kg bei einer vorgegebenen Vorwärtsgeschwindigkeit von 0,5 m/s und einer Standhöhe von 0,26 m über unebenes Gelände.
Planergröße: 450 Entscheidungsvariablen pro Roboter gegenüber 2250 bei einem zentralen Planer für fünf Roboter.
Der verteilte Planer aktualisiert alle 40 ms (25 Hz) über einen Horizont von 250 ms (Tini = 10, N = 25); OSQP löst ihn auf einem Laptop mit Intel Core i7-1185G7 in etwa 15 ms, wobei auch Lösungszeiten von etwa 30 ms beobachtet wurden.
Hardware: 3 über Kugelgelenke verbundene A1-Roboter traben mit etwa 0,4 m/s mit einer Nutzlast von 4,5 kg über unstrukturierte Holzblöcke sowie über losen Schotter.
Hardware: Das Team folgt auf ebenem Boden mit einer Nutzlast von 6,8 kg einer zeitveränderlichen Joystick-Trajektorie und bleibt unter Stoßstörungen stabil.
Der QP-basierte Low-Level-Virtual-Constraint-Regler läuft auf jedem Roboter mit 1 kHz.

Einschränkungen

Die Roboter müssen einen vollständigen Graphen ohne relative Translationsbewegung bilden; Formationen mit begrenzter Freiheit und größere Roboterzahlen bleiben künftiger Arbeit überlassen.
Die zugrunde liegende Theorie deckt lineare zeitinvariante Systeme ab; die Autoren merken an, dass es für eine breite Klasse nichtlinearer Systeme noch keine Beweise gibt, sodass der Fall der Laufroboter auf experimenteller Validierung beruht.
Es wurden Lösungszeiten von etwa 30 ms gegenüber typischen 15 ms beobachtet, was eine Aktualisierungsperiode des Planers von 40 ms erzwang.
Der Low-Level-Regler ignoriert die Wechselwirkungs-Wrenches zwischen den Robotern und nimmt an, dass das datengetriebene Modell sie berücksichtigt.
Das Modell wird nur aus Simulationsdaten gebildet, und jeder Roboter plant mit den Lösungen der anderen Roboter aus dem vorherigen Zeitschritt.

Wirkung auf das Fachgebiet

Gewinnerin des ICRA 2023 Outstanding Paper Award und Finalistin für den ICRA 2023 Outstanding Multi-Robot Systems Paper Award, mit 37 Zitationen. Die Autoren veröffentlichen ein Video der Simulations- und Hardwareexperimente; die Arbeit nennt keine Code-Veröffentlichung.

Zusammenfassung

Ziel dieser Arbeit ist es, einen Planer zu definieren, der robuste Fortbewegung auf Beinen für komplexe Multi-Agenten-Systeme aus mehreren holonom gekoppelten Vierbeinern ermöglicht. Dazu verwenden wir eine auf der Theorie behavioraler Systeme basierende Methodik, um die anspruchsvolle und hochdimensionale Struktur zu modellieren, die durch die holonomen Zwangsbedingungen entsteht. Das resultierende Modell wird dann zusammen mit Techniken der verteilten Regelung eingesetzt, sodass die Rechenlast auf die Agenten verteilt wird, während die Kopplung zwischen den Agenten erhalten bleibt. Schließlich wird dieses verteilte Modell in den Rahmen eines prädiktiven Reglers gestellt, woraus sich eine robust stabile Methode zur Trajektorienplanung ergibt. Diese Methodik wird in der Simulation mit bis zu fünf Agenten getestet und zudem experimentell an drei vierbeinigen A1-Robotern validiert, die verschiedenen Unsicherheiten ausgesetzt sind, darunter Nutzlasten, unebenes Gelände und Stoßstörungen.

Open Source Robotics