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

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

授權條款

開放取用
論文: CC BY 4.0

以下內容皆依據論文全文，依其 CC BY 4.0 授權條款使用；圖表已標示作者。

一句話摘要

一個以 Hankel 矩陣表示、球關節耦合的四足機器人模型，由模擬資料建立並拆成每台機器人各自的 QP，為 5 台模擬 A1 與 3 台真實 A1 規劃力與 COM 路徑。

為何重要

從模擬資料學到的規劃模型，捕捉了難以手動建模的多機器人耦合動力學，而且用與模擬相同的增益就轉移到了硬體上。依機器人拆分規劃器，讓每個問題維持在 450 個決策變數，而集中式五機器人規劃器則需要 2250 個。

問題

透過球關節剛性相連的四足機器人彼此施加很大的交互作用力，而隨著機器人增加，線性倒單擺或單一剛體等範本模型會變得太過複雜，無法作為降階規劃模型。以行為系統理論為基礎的資料驅動預測控制雖然不需要明確的模型，但其標準形式會增加決策變數，使四足機器人團隊無法即時求解。

提出的方法

在 RaiSim 中蒐集輸入-輸出資料（輸入為接觸力；輸出為站立高度、COM 速度、翻滾、俯仰與偏擺角速度），並在期望力中注入隨機雜訊，再把資料堆疊成 Hankel 矩陣，透過虛擬反矩陣建立一個資料驅動的 N 步狀態轉移矩陣，藉此把 g 向量從最佳化中移除。這個矩陣被拆成各代理人區塊與耦合區塊，每台機器人以其他機器人在上一個時間步的規劃求解自己的 QP，而每台機器人上都有一個 1 kHz、以 QP 為基礎的虛擬限制控制器，追蹤規劃的力與 COM 軌跡。

關鍵見解

行為系統理論透過 Hankel 矩陣，直接以量測到的軌跡來表示線性非時變系統，而不必識別狀態空間矩陣。
離線以虛擬反矩陣近似 g 向量，可以把資料驅動預測控制（data-enabled predictive control）變成決策變數少得多的規劃器，因而能即時使用。
把資料驅動的狀態轉移矩陣拆成各代理人區塊與耦合區塊，並加入一步的通訊延遲，讓每台機器人能各自規劃，同時保留機器人之間的耦合。
在模擬中蒐集資料（在模擬中每台機器人都能被精確建模），避開了困難的部分，也就是為耦合團隊建立以物理為基礎的降階模型，而所得模型也成功轉移到了硬體上。

主要結果

模擬：5 台耦合的 A1 機器人攜帶未知的 10 kg 酬載，以 0.5 m/s 的指令前進速度與 0.26 m 的站立高度走過不平地形。
規劃器規模：每台機器人 450 個決策變數，集中式五機器人規劃器則為 2250 個。
分散式規劃器每 40 ms（25 Hz）更新一次，時域為 250 ms（Tini = 10，N = 25）；在一台 Intel Core i7-1185G7 筆記型電腦上，OSQP 求解約需 15 ms，也觀察到約 30 ms 的求解時間。
硬體：3 台以球關節相連的 A1 機器人攜帶 4.5 kg 酬載，以約 0.4 m/s 的速度小跑走過非結構化的木塊，也走過鬆散的碎石。
硬體：該團隊攜帶 6.8 kg 酬載在平地上追蹤隨時間變化的搖桿軌跡，並在推擠干擾下保持穩定。
低階、以 QP 為基礎的虛擬限制控制器在每台機器人上以 1 kHz 執行。

限制

機器人必須構成完全圖，彼此之間沒有相對平移運動；自由度受限的隊形與更多數量的機器人留待未來研究。
其基礎理論涵蓋線性非時變系統；作者指出目前對一大類非線性系統還沒有證明，因此腿式機器人的情況仰賴實驗驗證。
相對於一般的 15 ms，觀察到約 30 ms 的求解時間，因此規劃器更新週期必須設為 40 ms。
低階控制器忽略了機器人之間的交互作用力旋量，並假設資料驅動模型已將其納入考量。
模型只由模擬資料建立，且每台機器人以其他機器人在上一個時間步的解來進行規劃。

對領域的影響

獲得 ICRA 2023 傑出論文獎，並入圍 ICRA 2023 傑出多機器人系統論文獎決選，被引用 37 次。作者發布了模擬與硬體實驗的影片；論文沒有說明是否釋出程式碼。

摘要

這項研究的目標是定義一個規劃器，讓由數台受完整約束的四足機器人組成的複雜多代理人系統，能實現強健的腿式行走運動。為此，我們採用一種以行為系統理論為基礎的方法，對完整約束所引起的複雜高維結構進行建模。接著，所得模型與分散式控制技術搭配使用，讓計算負擔由各代理人分擔，同時保留代理人之間的耦合。最後，把這個分散式模型放進預測控制器的架構中，得到一種強健穩定的軌跡規劃方法。此方法在最多五個代理人的模擬中進行了測試，並在三台 A1 四足機器人上進一步以實驗驗證，這些機器人承受了各種不確定性，包括酬載、崎嶇地形與推擠干擾。

連結

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