Real-time Optimal Landing Control of the MIT Mini Cheetah

Autoren: Se Hwan Jeon, Sangbae Kim, Donghyun Kim · ICRA 2022

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 Landeregler löst während des Falls des Vierbeiners wiederholt eine kontaktimplizite Trajektorienoptimierung, die von einem neuronalen Netz warmgestartet wird, und folgt ihr beim Aufsetzen mit Ganzkörperregelung.

Warum es wichtig ist

Laufroboter, die in unwegsames oder unbeaufsichtigtes Gelände geschickt werden, müssen geplante Fälle aus der Höhe und unerwartete Stürze ohne Schaden überstehen. Das Paper zeigt, dass sich eine kontaktimplizite Optimierung so schnell machen lässt, dass Landekontakte aus unterschiedlichen Orientierungen und Geschwindigkeiten im laufenden Betrieb gewählt werden können.

Problem

Impedanzregelung kann einen Vierbeiner nach kleinen Stürzen stabilisieren, versagt aber bei höheren Geschwindigkeiten oder starker Körperneigung und wählt weder Landehaltung noch Kontaktpunkte oder Kontaktreihenfolge. Es gibt Verfahren der Trajektorienoptimierung, die die Kontaktzeitpunkte optimieren, doch sie waren zu langsam für den Echtzeitbetrieb.

Lösungsansatz

Während der Flugphase löst der Roboter wiederholt eine nichtlineare Trajektorienoptimierung auf einem Einzelstarrkörpermodell mit Komplementaritätsbedingungen für rutschfreien Kontakt, sodass Reihenfolge und Zeitpunkte der Kontakte aus der Lösung hervorgehen statt aus einem festen Plan. Gelenkgeschwindigkeiten entfallen als Entscheidungsvariablen, nur der Endzustand wird bestraft, die Box-Grenzen der Füße skalieren mit der Körpergeschwindigkeit, und ein kleines neuronales Netz liefert den Warmstart. Beim Aufsetzen, das anhand der Geschwindigkeiten der Gelenk-Encoder erkannt wird, folgt ein QP-Ganzkörperregler mit 500 Hz der jeweils neuesten Lösung.

Wichtigste Erkenntnisse

Kontakt-Komplementaritätsbedingungen auf rutschfreien Kontakt zu beschränken, ergibt eine konsistentere und schnellere Konvergenz als das vollständige Coulomb-Gleitmodell
Nur den Endzustand zu bestrafen, verbesserte die Lösungsgeschwindigkeit und manchmal die Lösungsqualität; laufende Kosten auf Kräfte oder Zustände erzeugten Trajektorien, bei denen Knie in den Boden eindrangen oder Kräfte vor dem Aufsetzen wirkten
Die Anfangshöhe so zu setzen, dass das Aufsetzen stets nach dem ersten Zeitschritt erwartet wird, macht den Regler unabhängig von der globalen Höhe des Roboters über dem Boden
Der Aufsetzwinkel des Fußes korrelierte mit der Richtung der Schwerpunktgeschwindigkeit, daher wurden geschwindigkeitsskalierte kinematische Box-Grenzen ergänzt, um die Konvergenz zu unterstützen
Die Erholung ist weit empfindlicher gegenüber Rollen und seitlicher Geschwindigkeit als gegenüber Nicken und Vorwärtsgeschwindigkeit, da nur ein Ab-/Adduktionsmotor (ab/ad) pro Bein dem Rollen entgegenwirkt

Hauptergebnisse

In der Simulation Erholung aus einem horizontalen Fall aus 8 m, entsprechend einer vertikalen Geschwindigkeit von etwa -12 m/s
In der Simulation Erholung bei Winkelgeschwindigkeiten von -0,5 bis 0,5 rad/s, horizontalen Geschwindigkeiten von -1,5 bis 1,5 m/s, Nickwinkeln von -π/3 bis π/3 und Rollwinkeln von -π/6 bis π/6
Hardware-Landungen aus horizontalen Fällen aus bis zu 2 m, wobei der Roboter von Hand losgelassen wurde
Der Warmstart durch das neuronale Netz ergab gegenüber Kaltstart und zweistufiger Warmstart-Optimierung etwa 5-10× schnellere Lösungszeiten
Die Lösungsrate wird in der Einleitung mit etwa 10 Hz und in den Ergebnissen zur Echtzeitleistung mit 5-8 Hz einschließlich MATLAB-Overhead angegeben
Das Warmstart-Netz wurde auf etwa 1500 optimierten Trajektorien trainiert; in der Simulation geht der hohe Folgefehler beim Aufprall innerhalb der ersten 0,1 s auf null zurück

Einschränkungen

Die Zustandsschätzung in der Luft driftete stark, daher wurden die Fallbedingungen auf der Hardware fest einprogrammiert statt gemessen
Stürze mit erheblichem Nick- oder Rollwinkel oder seitlicher Geschwindigkeit wurden auf der Hardware nicht getestet, um den Roboter nicht zu beschädigen
Stoßkräfte und sprunghafte Geschwindigkeitsänderungen beim Aufsetzen werden vernachlässigt, und die Autoren sagen, dass Aufpralle mit hoher Geschwindigkeit weiter untersucht werden müssen
Die Robustheit gegenüber Fehlern in den Fallbedingungen und die Leistung auf unebenem Gelände sind noch nicht charakterisiert
Die Autoren geben an, dass Prozessor- und Power-Board-Upgrades nötig sind, um das Problem vollständig ohne Kabelverbindung an Bord zu lösen

Wirkung auf das Fachgebiet

Finalist für den ICRA 2022 Outstanding Dynamics and Control Paper award, mit 8 Zitierungen. Das Paper gibt keine Veröffentlichung von Code oder Daten an.

Zusammenfassung

Die Landung von Vierbeinern ist ein komplexer Vorgang mit großen Stößen und aufwendigen Kontaktübergängen und ein entscheidendes Erholungsverhalten, das bei vielen Tieren beobachtet wird. Diese Arbeit stellt einen optimalen Echtzeit-Landeregler vor, der ohne vorab festgelegte Kontaktpläne auskommt. Der Regler bestimmt optimale Aufsetzhaltungen und Reaktionskraftprofile und kann sich aus einer Vielzahl von Fallkonfigurationen erholen. Die verwendete vierbeinige Plattform, der MIT Mini Cheetah, erholte sich in der Simulation sicher von Stürzen aus bis zu 8 m Höhe sowie aus einer Reihe von Orientierungen und planaren Geschwindigkeiten. Der Regler wurde auch auf der Hardware getestet und erholte sich erfolgreich von Stürzen aus bis zu 2 m Höhe.

Open Source Robotics