Single Rigid Body Model
- 又称: SRB model, SRBD, single rigid body dynamics
- 类别: Control › Locomotion control
- 标签: legged-locomotion, reduced-order-models, model-predictive-control, quadrupeds, rigid-body-dynamics
一种足式机器人的降阶模型,把机器人视为一个质量和惯量固定的刚体,由无质量腿上的接触力驱动;广泛用于运动 MPC。
定义
单刚体模型(Single rigid body model,SRB model)把足式机器人表示为一个刚体,它承载机器人的全部质量和一个转动惯量,该惯量通常在机体坐标系中取为常数。腿被视为无质量的,因此它们唯一的作用是把地面反作用力从脚传递到机体。状态是机体的位置、姿态、线速度和角速度,输入是处于支撑相的各脚上的接触力。
其动力学是 Newton-Euler 方程。接触力之和加上重力等于质量乘以质心加速度;各接触力关于质心的力矩之和(每个力矩都是脚相对于质心的位置与该力的叉积)等于角动量的变化率。外力和外力矩,例如机器人拖拽的负载,或与之相连的另一台机器人施加的力,可以直接加入这些求和中。该模型与质心动力学很接近,后者同样通过机器人的质心和总动量来描述机器人,但单刚体模型忽略了腿部运动如何改变惯量以及如何贡献角动量。
该模型已成为四足机器人模型预测控制的标准基础。一种为 MIT Cheetah 3 提出并被广泛采用的表述,通过假设横滚和俯仰较小、偏航轨迹已知,对转动动力学进行线性化,从而把在短时域上搜索接触力的问题变成一个带摩擦锥约束的凸二次规划。非线性版本则保留完整的转动动力学。当腿相对于机体较轻时,单刚体模型效果最好;对于肢体较重的人形机器人,或者腿部摆动很重要的空翻等动作,质心模型或全身模型更准确。
为何重要
SRB 模型足够简单,可以在机器人硬件上实时地在若干步的时域内进行优化,同时又保留了机体的 3D 转动以及每个脚力产生的力矩。这种平衡使它成为四足机器人基于力的运动控制器,以及必须考虑外部负载的规划器的常见选择。
主要应用
- 四足机器人运动的模型预测控制
- 在支撑脚之间分配地面反作用力
- 规划涉及机体转动的跳跃和动态机动
- 带外部负载或与其他机器人相连的协作运动
- 步态和接触时间表优化
实际应用
在一台四足机器人上,基于 SRB 模型构建的模型预测控制器以固定频率运行。每次更新时,它获取估计的机体状态、来自步态的接触时间表和期望速度,并在约束摩擦锥和力限制的条件下,求解支撑脚在未来时域内的地面反作用力。第一组力通过每条腿雅可比矩阵的转置转换为关节力矩,而摆动腿则在另一个控制器下跟踪足端轨迹。当机器人携带负载或与其他机器人相连时,预期的外力及其关于质心的力矩会被加入模型,使规划的足端力能够对其进行补偿。
常见误解
- SRB 模型忽略机体转动 — 它保留完整的 3D 姿态和角速度;只舍弃了腿部质量和由腿引起的动量
- SRB 模型与质心动力学是一回事 — 质心动力学考虑了肢体运动如何改变总惯量和总动量,而 SRB 模型把这些固定下来或忽略掉
- 凸 SRB MPC 适用于任何运动 — 常见的凸形式依赖于小的横滚和俯仰,因此空翻等大幅转动需要非线性或考虑转动的表述
谁需要了解
- 四足机器人和人形机器人运动工程师
- 模型预测控制开发人员
- 研究负载搬运或团队协作的足式机器人的研究人员
- 学习足式机器人降阶模型的学生
相关技术
- 凸模型预测控制(Convex Model Predictive Control)
- Newton-Euler 方程(Newton-Euler Equations)
- 质心动力学(Centroidal Dynamics)
- 二次规划(Quadratic Programming)
- 全身控制(Whole-Body Control)
相关术语
- Centroidal Dynamics
- Model Predictive Control
- Friction Cone
- Quadruped
- Whole-Body Control
- Linear Inverted Pendulum
相关项目
- 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