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
许可协议
- 开放获取
- 论文: CC BY 4.0
以下内容均依据论文全文，按其 CC BY 4.0 许可协议使用；其中的图已注明作者。
一句话总结
一个基于 Hankel 矩阵的球关节耦合四足机器人模型，由仿真数据构建并拆分为每台机器人各自的 QP，为 5 台仿真 A1 和 3 台真实 A1 规划力和 COM 路径。
为何重要
从仿真数据中学习得到的规划模型捕捉了难以手工建模的多机器人耦合动力学，并且使用与仿真相同的增益就迁移到了硬件上。按机器人拆分规划器，使每个问题保持在 450 个决策变量，而集中式五机器人规划器需要 2250 个。
问题
通过球关节刚性连接的四足机器人彼此之间施加很大的相互作用力，而随着机器人数量增加，线性倒立摆或单刚体等模板模型会变得过于复杂，无法作为降阶规划模型使用。基于行为系统理论的数据驱动预测控制避免了显式模型，但其标准形式会增加决策变量，使其无法对四足机器人团队实时求解。
提出的方法
在 RaiSim 中收集输入-输出数据（输入为接触力；输出为站立高度、COM 速度、横滚、俯仰和偏航角速度），并在期望力中注入随机噪声，然后将数据堆叠成 Hankel 矩阵，通过伪逆构建一个数据驱动的 N 步状态转移矩阵，从而将 g 向量从优化中移除。该矩阵被拆分为各智能体块和耦合块，每台机器人使用其他机器人在上一时间步的规划求解自己的 QP，每台机器人上运行一个 1 kHz、基于 QP 的虚拟约束控制器，跟踪规划的力和 COM 轨迹。
关键见解
- 行为系统理论通过 Hankel 矩阵，直接用测得的轨迹来表示线性时不变系统，而无需辨识状态空间矩阵。
- 离线用伪逆近似 g 向量，可将数据驱动预测控制（data-enabled predictive control）转变为决策变量少得多的规划器，从而使实时使用成为可能。
- 将数据驱动的状态转移矩阵拆分为各智能体块和耦合块，并引入一步通信延迟，使每台机器人能够独立规划，同时保留机器人之间的耦合。
- 在仿真中收集数据（在仿真中每台机器人都能被精确建模），避开了难点，即为耦合团队建立基于物理的降阶模型，而所得模型成功迁移到了硬件上。
主要结果
- 仿真：5 台耦合的 A1 机器人携带未知的 10 kg 负载，以 0.5 m/s 的指令前进速度和 0.26 m 的站立高度走过不平地形。
- 规划器规模：每台机器人 450 个决策变量，而集中式五机器人规划器为 2250 个。
- 分布式规划器每 40 ms（25 Hz）更新一次，时域为 250 ms（Tini = 10，N = 25）；在一台 Intel Core i7-1185G7 笔记本电脑上，OSQP 求解约需 15 ms，也观察到约 30 ms 的求解时间。
- 硬件：3 台通过球关节相连的 A1 机器人携带 4.5 kg 负载，以约 0.4 m/s 的速度小跑走过非结构化的木块，并走过松散的碎石。
- 硬件：该团队携带 6.8 kg 负载在平地上跟踪随时间变化的摇杆轨迹，并在推力扰动下保持稳定。
- 底层基于 QP 的虚拟约束控制器在每台机器人上以 1 kHz 运行。
局限
- 机器人必须构成一个完全图，彼此之间没有相对平移运动；自由度受限的编队以及更多数量的机器人留待未来工作。
- 其基础理论适用于线性时不变系统；作者指出，对于一大类非线性系统目前尚无证明，因此腿式机器人的情况依赖于实验验证。
- 相对于典型的 15 ms，观察到约 30 ms 的求解时间，这迫使规划器更新周期设为 40 ms。
- 底层控制器忽略了机器人之间的相互作用力旋量，并假设数据驱动模型已经考虑了它们。
- 模型仅由仿真数据构建，且每台机器人使用其他机器人在上一时间步的解进行规划。
对领域的影响
获得 ICRA 2023 杰出论文奖，并入围 ICRA 2023 杰出多机器人系统论文奖决选，被引用 37 次。作者发布了仿真和硬件实验的视频；论文未说明是否发布代码。
摘要
这项工作的目标是定义一个规划器，使由若干受完整约束的四足机器人组成的复杂多智能体系统能够实现鲁棒的腿式运动。为此，我们采用一种基于行为系统理论的方法，对由完整约束所引起的复杂高维结构进行建模。随后，所得模型与分布式控制技术结合使用，使计算负担在各智能体之间分担，同时保留智能体之间的耦合。最后，将该分布式模型置于预测控制器的框架中，得到一种鲁棒稳定的轨迹规划方法。该方法在最多五个智能体的仿真中进行了测试，并在三台 A1 四足机器人上进一步通过实验验证，这些机器人承受了各种不确定性，包括负载、崎岖地形和推力扰动。
链接
- 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