TRO | 这,高低得过呀
针对四足机器人在复杂地形中快速运动的需求,相关研究提出了一套感知-规划-控制框架。该框架通过整合环境感知、运动规划与模型预测控制(MPC),实现了机器人在非结构化环境下的高效运动。论文详细阐述了整体设计方案及关键技术细节,涵盖环境数据处理、动力学建模约束及优化求解策略。
01环境感知与地形建模
- 数据预处理与区域提取
对采集的环境数据进行中值滤波处理,计算可站立区域并进一步提取可站立平面,为后续控制提供基础几何信息。 - 障碍物识别(SDF)
结合深度信息在可站立区域周边构建Signed Distance Field(SDF),用于识别不可跨越的障碍物(如楼梯侧面),实现避障功能。 - 躯体参考平面推测
基于滤波后的数据推测机器人可通过的平面(高度层面),为控制算法提供躯体参考基准。
02非线性模型预测控制(MPC)核心设计
在完成四足机器人的动力学建模后,整体运动过程(含躯干与四足)被建模为MPC求解问题。该过程通过控制输入使设计的成本函数降至最低。MPC建模需满足严格的约束条件:初始状态须与估计状态一致,状态演化遵循系统动力学规律,运动时的接触力需符合特定等式约束。
MPC成本函数构成
成本类型
Tracking Costs
涵盖躯干速度、姿态、位置速度、角速度以及关节速度的跟踪误差。Loop-shaping Costs
用于抑制高频速度波动和接触力震荡,提升运动平滑性。


惩罚与约束
Penalty Costs
由所有不等式约束转化而来,核心是基于SDF的避障惩罚。离散数值求解
采用特定优化算法对上述离散化的MPC问题进行数值求解。
03系统动力学与代码资源
论文第四部分MOTION PLANNING提供了丰富的建模细节,包括机械狗的系统动力学方程以及ANYmal带宽约束的处理方案。此外,研究团队公开了部分代码实现,虽然核心MPC代码为C++编写,对部分开发者存在门槛,但依然具有较高的参考价值。
| 资源名称 | 功能描述 | 代码语言 |
|---|---|---|
| OCS2 | MPC优化求解框架 | C++ |
| Elevation Mapping Cupy | SDF距离场构建 | Python/C++ |
| Grid Map | 通用网格地图处理 | C++ |
开源代码资源列表
当前文章无评论,是时候发表评论了