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

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

Licenze

• Open access
• Articolo: CC BY 4.0

Tutto ciò che segue si basa sull'articolo completo secondo la sua licenza CC BY 4.0; la figura è riportata citando gli autori.

In breve

Un modello a matrici di Hankel di quadrupedi accoppiati da giunti sferici, costruito da dati di simulazione e suddiviso in QP per robot, pianifica forze e traiettorie del COM per 5 A1 simulati e 3 reali.

Perché è importante

Un modello di pianificazione appreso da dati di simulazione cattura dinamiche multi-robot accoppiate difficili da modellare a mano, ed è stato trasferito sull'hardware con gli stessi guadagni usati in simulazione. Suddividere il pianificatore per robot mantiene ogni problema a 450 variabili di decisione invece delle 2250 di un pianificatore centralizzato per cinque robot.

Problema

I quadrupedi uniti rigidamente tramite giunti sferici esercitano grandi forze di interazione l'uno sull'altro, e i modelli template come il pendolo inverso lineare o il corpo rigido singolo diventano troppo complessi per servire da modelli di pianificazione di ordine ridotto man mano che si aggiungono robot. Il controllo predittivo basato sui dati della teoria dei sistemi comportamentali evita un modello esplicito, ma la sua forma standard aggiunge variabili di decisione che lo rendono intrattabile in tempo reale per squadre di quadrupedi.

Soluzione proposta

I dati di ingresso e uscita (forze di contatto in ingresso; altezza in piedi, velocità del COM, rollio, beccheggio e velocità di imbardata in uscita) sono raccolti in RaiSim iniettando rumore casuale nelle forze desiderate, poi impilati in matrici di Hankel per costruire una matrice di transizione a N passi basata sui dati tramite una pseudoinversa, che elimina il vettore g dall'ottimizzazione. La matrice è suddivisa in blocchi per agente e blocchi di accoppiamento, ogni robot risolve il proprio QP usando i piani degli altri robot del passo temporale precedente, e su ogni robot un controllore a vincoli virtuali basato su QP a 1 kHz insegue le forze e la traiettoria del COM pianificate.

Idee chiave

• La teoria dei sistemi comportamentali rappresenta un sistema lineare tempo-invariante direttamente tramite le sue traiettorie misurate attraverso matrici di Hankel, senza identificare matrici nello spazio degli stati.
• Approssimare offline il vettore g con una pseudoinversa trasforma il controllo predittivo abilitato dai dati in un pianificatore con molte meno variabili di decisione, rendendone possibile l'uso in tempo reale.
• Suddividere la matrice di transizione basata sui dati in blocchi per agente e blocchi di accoppiamento, con un ritardo di comunicazione di un passo, permette a ciascun robot di pianificare autonomamente mantenendo l'accoppiamento tra i robot.
• Raccogliere i dati in simulazione, dove ogni robot può essere modellato con precisione, aggira la parte difficile, cioè un modello di ordine ridotto basato sulla fisica della squadra accoppiata, e il modello risultante è stato trasferito sull'hardware.

Risultati principali

• Simulazione: 5 robot A1 accoppiati camminano su terreno irregolare con un carico sconosciuto di 10 kg a una velocità di avanzamento comandata di 0,5 m/s e un'altezza in piedi di 0,26 m.
• Dimensione del pianificatore: 450 variabili di decisione per robot, contro le 2250 di un pianificatore centralizzato per cinque robot.
• Il pianificatore distribuito si aggiorna ogni 40 ms (25 Hz) su un orizzonte di 250 ms (Tini = 10, N = 25); OSQP lo risolve in circa 15 ms su un portatile con Intel Core i7-1185G7, con tempi di risoluzione di circa 30 ms osservati anch'essi.
• Hardware: 3 robot A1 uniti da giunti sferici procedono al trotto a circa 0,4 m/s su blocchi di legno non strutturati con un carico di 4,5 kg, e su ghiaia sciolta.
• Hardware: la squadra segue una traiettoria variabile nel tempo impartita con joystick su terreno piano con un carico di 6,8 kg e resta stabile sotto spinte.
• Il controllore di basso livello a vincoli virtuali basato su QP gira a 1 kHz su ciascun robot.

Limiti

• I robot devono formare un grafo completo senza moto traslatorio relativo; le formazioni con libertà limitata e un numero maggiore di robot sono lasciate a lavori futuri.
• La teoria di base copre i sistemi lineari tempo-invarianti; gli autori osservano che non esistono ancora dimostrazioni per un'ampia classe di sistemi non lineari, quindi il caso dei robot con gambe si basa sulla convalida sperimentale.
• Sono stati osservati tempi di risoluzione di circa 30 ms contro i 15 ms tipici, il che ha imposto un periodo di aggiornamento del pianificatore di 40 ms.
• Il controllore di basso livello ignora i wrench di interazione tra i robot e presuppone che il modello basato sui dati ne tenga conto.
• Il modello è costruito solo da dati di simulazione, e ogni robot pianifica con le soluzioni degli altri robot del passo temporale precedente.

Impatto sul settore

Vincitore del premio ICRA 2023 Outstanding Paper e finalista del premio ICRA 2023 Outstanding Multi-Robot Systems Paper, con 37 citazioni. Gli autori pubblicano un video degli esperimenti in simulazione e su hardware; l'articolo non indica alcun rilascio del codice.

Abstract

L'obiettivo di questo lavoro è definire un pianificatore che consenta una locomozione robusta su gambe per sistemi multi-agente complessi composti da più quadrupedi soggetti a vincoli olonomi. A tal fine, adottiamo una metodologia basata sulla teoria dei sistemi comportamentali (behavioral systems theory) per modellare la struttura sofisticata e ad alta dimensionalità indotta dai vincoli olonomi. Il modello risultante viene poi usato insieme a tecniche di controllo distribuito, in modo che il carico computazionale sia condiviso tra gli agenti preservando l'accoppiamento tra di essi. Infine, questo modello distribuito è inserito nel contesto di un controllore predittivo, ottenendo un metodo robustamente stabile per la pianificazione di traiettorie. Questa metodologia è testata in simulazione con un massimo di cinque agenti ed è inoltre convalidata sperimentalmente su tre robot quadrupedi A1 soggetti a varie incertezze, tra cui carichi utili, terreno accidentato e spinte.

Link

• arXiv 2211.06917: https://arxiv.org/abs/2211.06917
• DOI 10.1109/ICRA48891.2023.10160914: https://doi.org/10.1109/ICRA48891.2023.10160914
• PDF: https://arxiv.org/pdf/2211.06917v1