Open Source Robotics

Une collection organisée de projets, outils et logiciels robotiques open source de haute qualité.

Single Rigid Body Model

  • Aussi appelé: SRB model, SRBD, single rigid body dynamics
  • Catégorie: Control › Locomotion control
  • Mots-clés: legged-locomotion, reduced-order-models, model-predictive-control, quadrupeds, rigid-body-dynamics

Un modèle d'ordre réduit d'un robot à pattes vu comme un seul corps rigide de masse et d'inertie fixes, mû par les forces de contact de jambes sans masse ; largement utilisé dans la MPC de locomotion.

Définition

Le modèle à corps rigide unique (single rigid body model, modèle SRB) représente un robot à pattes comme un seul corps rigide portant toute la masse du robot et une inertie de rotation, généralement supposée constante dans le repère du corps. Les jambes sont traitées comme sans masse ; leur seul rôle est donc de transmettre les forces de réaction du sol des pieds au corps. L'état comprend la position, l'orientation, la vitesse linéaire et la vitesse angulaire du corps, et les entrées sont les forces de contact aux pieds en appui.

La dynamique est donnée par les équations de Newton-Euler. La somme des forces de contact et de la gravité est égale à la masse multipliée par l'accélération du centre de masse, et la somme des moments des forces de contact autour du centre de masse, chacun étant le produit vectoriel de la position du pied relative au centre de masse par sa force, est égale au taux de variation du moment cinétique. Des forces et moments externes, comme une charge tirée par le robot ou les forces d'un autre robot auquel il est attaché, peuvent être ajoutés directement à ces sommes. Le modèle est proche de la dynamique centroïdale, qui décrit aussi le robot par son centre de masse et sa quantité de mouvement totale, mais le modèle SRB ignore la façon dont le mouvement des jambes modifie l'inertie et contribue au moment cinétique.

Le modèle est devenu une base standard pour la commande prédictive des quadrupèdes. Une formulation très utilisée pour le MIT Cheetah 3 a linéarisé la dynamique de rotation en supposant un roulis et un tangage faibles et une trajectoire de lacet connue, ce qui transforme la recherche des forces de contact sur un court horizon en un programme quadratique convexe avec des contraintes de cône de frottement. Les versions non linéaires conservent la dynamique de rotation complète. Le modèle SRB fonctionne mieux lorsque les jambes sont légères par rapport au corps ; pour les humanoïdes aux membres lourds, ou pour des mouvements comme les saltos où le balancement des jambes compte, les modèles centroïdaux ou corps entier sont plus précis.

Pourquoi c'est important

Le modèle SRB est assez simple pour être optimisé en temps réel sur un horizon de plusieurs pas sur le matériel du robot, tout en conservant la rotation 3D du corps et le moment créé par chaque force de pied. Cet équilibre en a fait un choix courant pour les contrôleurs de locomotion fondés sur les forces des quadrupèdes et pour les planificateurs qui doivent tenir compte de charges externes.

Applications principales

  • Commande prédictive de la locomotion des quadrupèdes
  • Répartition des forces de réaction du sol entre les pieds d'appui
  • Planification de sauts et de manœuvres dynamiques impliquant une rotation du corps
  • Locomotion collaborative avec charges externes ou robots reliés
  • Optimisation des démarches et des calendriers de contact

En pratique

Sur un quadrupède, un contrôleur prédictif fondé sur le modèle SRB s'exécute à fréquence fixe. À chaque mise à jour, il prend l'état estimé du corps, le calendrier de contact issu de la démarche et la vitesse souhaitée, et calcule les forces de réaction du sol des pieds d'appui sur l'horizon à venir, sous contraintes de cône de frottement et de limites de force. Le premier ensemble de forces est converti en couples articulaires avec la transposée de la jacobienne de chaque jambe, tandis que les jambes en phase de transfert suivent des trajectoires de pied sous un contrôleur séparé. Lorsque le robot transporte une charge utile ou est relié à d'autres robots, la force externe attendue et son moment autour du centre de masse sont ajoutés au modèle afin que les forces de pied planifiées les compensent.

Idées reçues

  • Le modèle SRB ignore la rotation du corps — il conserve l'orientation 3D complète et la vitesse angulaire ; seules la masse des jambes et la quantité de mouvement due aux jambes sont négligées
  • Le modèle SRB et la dynamique centroïdale sont la même chose — la dynamique centroïdale tient compte de la façon dont le mouvement des membres modifie l'inertie et la quantité de mouvement totales, ce que le modèle SRB fige ou ignore
  • La MPC SRB convexe est valable pour tout mouvement — la forme convexe courante repose sur un roulis et un tangage faibles, donc les grandes rotations comme les saltos exigent des formulations non linéaires ou qui tiennent compte de la rotation

Qui devrait le savoir

  • Ingénieurs en locomotion de quadrupèdes et d'humanoïdes
  • Développeurs de commande prédictive
  • Chercheurs sur les robots à pattes qui portent des charges ou travaillent en équipe
  • Étudiants qui apprennent les modèles d'ordre réduit des robots à pattes

Technologies associées

  • Commande prédictive convexe (Convex Model Predictive Control)
  • Équations de Newton-Euler (Newton-Euler Equations)
  • Dynamique centroïdale (Centroidal Dynamics)
  • Programmation quadratique (Quadratic Programming)
  • Commande corps entier (Whole-Body Control)

Termes associés

  • Centroidal Dynamics
  • Model Predictive Control
  • Friction Cone
  • Quadruped
  • Whole-Body Control
  • Linear Inverted Pendulum

Projets associés

  • DimOS: Python robotics runtime with agents, SLAM and teleop, no ROS required
  • MuJoCo MPC: DeepMind's interactive real-time model predictive control framework for MuJoCo
  • PACE Sim2Real: Systematic sim-to-real transfer via actuator dynamics identification
  • python_simple_mppi: MPPI control derived and implemented in numpy, with four worked examples
  • mjbatch: Runs thousands of MuJoCo simulations in parallel on the CPU
  • Quadruped-PyMPC: Python MPC framework for quadruped locomotion with gradient and sampling control

Ce site nécessite JavaScript. Veuillez activer JavaScript pour explorer nos projets de robotique open source.