Open Source Robotics

精選高品質的開源機器人專案、工具與軟體,推動機器人社群向前發展。

Single Rigid Body Model

  • 又稱: SRB model, SRBD, single rigid body dynamics
  • 類別: Control › Locomotion control
  • 標籤: legged-locomotion, reduced-order-models, model-predictive-control, quadrupeds, rigid-body-dynamics

足式機器人的降階模型,將機器人視為一個質量與慣量固定的剛體,由無質量腿上的接觸力推動;廣泛用於移動 MPC。

定義

單剛體模型(Single rigid body model,SRB model)把足式機器人表示為一個剛體,它承載機器人的全部質量與一個轉動慣量,該慣量通常在機體座標系中取為常數。腿被視為沒有質量,因此它們唯一的作用是把地面反作用力從腳傳到機體。狀態是機體的位置、姿態、線速度與角速度,輸入則是支撐腳上的接觸力。

其動力學是 Newton-Euler 方程式。接觸力總和加上重力,等於質量乘以質心加速度;各接觸力對質心的力矩總和(每一個都是腳相對於質心的位置與該力的外積),等於角動量的變化率。外力與外力矩,例如機器人拖拉的負載,或與它相連的另一台機器人施加的力,可以直接加入這些總和中。這個模型很接近質心動力學,後者同樣透過機器人的質心與總動量來描述機器人,但單剛體模型忽略了腿部運動如何改變慣量並貢獻角動量。

這個模型已成為四足機器人模型預測控制的標準基礎。一個為 MIT Cheetah 3 提出並廣為採用的表述,透過假設橫滾與俯仰很小、偏航軌跡已知,將轉動動力學線性化,把在短時域上搜尋接觸力的問題變成一個帶有摩擦錐約束的凸二次規劃。非線性版本則保留完整的轉動動力學。當腿相對於機體很輕時,單剛體模型效果最好;對於肢體較重的人形機器人,或腿部擺動很重要的空翻等動作,質心模型或全身模型較為準確。

為何重要

SRB 模型簡單到能在機器人硬體上即時地對數步的時域做最佳化,卻仍保留機體的 3D 轉動,以及每個腳部力所產生的力矩。這種平衡使它成為四足機器人以力為基礎的移動控制器,以及必須考慮外部負載的規劃器的常見選擇。

主要應用

  • 四足機器人移動的模型預測控制
  • 在支撐腳之間分配地面反作用力
  • 規劃涉及機體轉動的跳躍與動態動作
  • 帶有外部負載或與其他機器人相連的協作移動
  • 步態與接觸排程最佳化

實際應用

在一台四足機器人上,以 SRB 模型建構的模型預測控制器以固定頻率執行。每次更新時,它取得估計的機體狀態、來自步態的接觸排程與期望速度,並在摩擦錐約束與力限制下,求解支撐腳在接下來時域中的地面反作用力。第一組力會透過每條腿雅可比矩陣的轉置轉換成關節力矩,而擺動腿則在另一個控制器下追蹤足端軌跡。當機器人搬運負載或與其他機器人相連時,預期的外力及其對質心的力矩會被加入模型,讓規劃出的足端力能加以補償。

常見誤解

  • SRB 模型忽略機體轉動 — 它保留完整的 3D 姿態與角速度;只捨棄了腿部質量與腿部引起的動量
  • SRB 模型與質心動力學相同 — 質心動力學考慮了肢體運動如何改變總慣量與總動量,而 SRB 模型把這些固定或忽略
  • 凸的 SRB MPC 對任何運動都有效 — 常見的凸形式仰賴小的橫滾與俯仰,因此空翻等大幅轉動需要非線性或考慮轉動的表述

誰需要了解

  • 四足機器人與人形機器人移動工程師
  • 模型預測控制開發人員
  • 研究搬運負載或團隊協作的足式機器人的研究人員
  • 學習足式機器人降階模型的學生

相關技術

  • 凸模型預測控制(Convex Model Predictive Control)
  • Newton-Euler 方程式(Newton-Euler Equations)
  • 質心動力學(Centroidal Dynamics)
  • 二次規劃(Quadratic Programming)
  • 全身控制(Whole-Body Control)

相關術語

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

相關專案

  • 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

本網站需要 JavaScript 才能正常運作。請啟用 JavaScript 以瀏覽我們的開源機器人專案。