MIT四足机器人Cheetah(2) Convex Mpc身体姿态控制.pdfVIP

MIT 四足机器人 Cheetah —Convex Mpc 身体姿态控制 在“MIT 四足机器人Cheetah 摆动腿控制、单刚体模型平衡控制器”中，主要简单的总结了 下一般情况下腿足机器人的摆动腿控制方法以及Cheetah 3 的基于集中质量模型的平衡控 制器。此外，MIT 还在Cheetah 3 以及Mini Cheetah 上采用了Convex MPC 平衡控制器， 在其 2018 年论文 《Dynamic Locomotion in the MIT Cheetah 3 Through Convex Model-Predictive Control》中，Cheetah3 通过Convex MPC 平衡控制器达到了3m/s 的奔 跑速度： 为了将论文中的方案部署到自己的腿足机器人上，笔者此处依次从问题分析、模型简化、 方程列写、QP表达形式组织等谈谈自己对这篇论文的一些理解。 1）首先是描述机器人状态的主要变量的选取。对于机器人自身运动状态的描述，姿态 以及位置层面，可以使用姿态角 （roll ,pitch,yaw）和质心位置(x,y,z)来描述，同时为了描述 其运动层面，可以加入姿态角角速度以及机器人质心的运动速度。因此，在机器人状态描述 层面，共有姿态角、质心位置、姿态角角速度、质心速度共12 个量描述。在外界输入层面， 现今大多腿足机器人的MPC 都是规划质心轨迹，而后采用逆动力学跟随质心轨迹。但这种 方法在实际工程操作中，首先是逆动力学求解难度大，其次在机器人存在空中相时，也很难 保证能够跟随所规划的质心轨迹，出于力控的角度，更理想的应该是直接规划出关节力矩， 亦或能够在其基础上较简单的求出各关节力矩。 2）大致确定了我们希望的状态描述量以及需要规划的量，此处之前提过的单刚体模型 恰好满足这些条件，单刚体模型的运动方程如下： 其中第三项其实就是旋转矩阵的导与角速度的关系，在一般的机器人学教材中都有。 不清楚的可以看一下ETH 的精简版的机器人运动学动力学讲义： https://ethz.ch/content/dam/ethz/special-interest/mavt/robotics-n-intelligent-systems/r sl-dam/documents/RobotDynamics2017/RD_HS2017script.pdf 通过IMU获得的角速度仅是机器人相对于身体坐标系的角速度。身体坐标系中的运动 变换到世界坐标系可通过左乘一个变换矩阵R，论文中是依据ZYX 顺序变换，这也是目前 很多论文中通用的变换方式： 当R满秩时，求逆即可得到身体坐标系的角速度与世界坐标系的角速度的关系： 而此时的变换矩阵恰好是绕z 轴旋转的变换矩阵，即 同时惯量*角加速度项的微分项为 此处第二项是因为这个 求导操作是在非惯性系下进行的，所以多了个叉乘项。机器人相对于世界坐标系的惯量表达 式为： 上文已将R简化为绕z 轴的旋转矩阵，此处依旧适用： 此时将上文的单刚体运动方程写成状态空间的表达方式 （xdot Ax+Bu）为： Cheetah3 中是将最后的重力加速度项也整合到了状态矩阵A 中，此处笔者为了表述更加易 懂就将其先单拎出来。这是连续时间的状态方程，因为最终需要计算机编程实现，需要将其 离散化。要将A、B矩阵离散化，可以将他们分别乘以控制周期dt，而后求矩阵指数即可， Eigen 中： matlab 中可用expm()函数。离散化结果如下： 通过这个模型，便可以计算出系统对应的输出，可以将其组织为一个MPC 问题， 即求得最优的当前输入使得系统下一时刻输出尽可能接近期望值，同时也要保证输入量 尽可能小。因为在实际机器人中，机器人的力矩是有限的，我们并不希望计算出一个很大的 力矩。当然这算是一个很简单的cost 函数，状态变量、输入量变化率等我们都没有加入约 束。有了cost 函数，实际已经可以开始求解了，但我们的控制对象是对实时性要求较高的 腿足机器人，若直接对这种形式求解然后用于机器人控制，是不能将MPC 周期控制在几十 ms 内的，会严重影响控制性能。 为了提高MPC 的计算速度，除了减少约束条件，缩短预测/控制时域等外，可以将MPC 转为显示预测控制 （Explicit Mpc）,当今用于汽车ECU等对实时性要求较高的MPC 大多也 是Explicit Mpc 形式，简单来说，Ex