Racing a Wheeled Quadruped: Active Load Transfer Mitigation via Model Predictive Control

Resumen Técnico: Carreras de un Cuadrúpedo con Ruedas mediante la Mitigación Activa de la Transferencia de Carga Lateral

Planteamiento del Problema
Los cuadrúpedos con ruedas ofrecen una síntesis única de adaptabilidad de patas y eficiencia de ruedas; sin embargo, su control a altas velocidades presenta desafíos significativos debido a la compleja dinámica de contacto y a los 16 grados de libertad. En las carreras autónomas, los vehículos operan cerca de sus límites dinámicos, donde la transferencia de carga lateral reduce la capacidad de giro efectiva y aumenta el riesgo de vuelco. Los enfoques de control tradicionales para cuadrúpedos con ruedas suelen aplicar dinámicas de marcha de patas o asumen un chasis rígido, fallando al no explotar los grados de libertad inherentes de la plataforma para gestionar activamente el balanceo de la carrocería (body roll). Si bien el control de balanceo activo es una estrategia establecida en motocicletas y vehículos inclinables, no se ha demostrado en cuadrúpedos con ruedas para objetivos de carrera, ni se ha validado experimentalmente la prevención de vuelcos para cuadrúpedos con dirección por deslizamiento (skid-steering) en este contexto.

Metodología
Los autores proponen un marco de control jerárquico que integra el Control Predictivo basado en Modelo (MPC) y el Aprendizaje por Refuerzo (RL) para gestionar la transferencia de carga lateral en la plataforma Unitree Go2-W. El sistema opera en tres niveles:

1. Modelado del Vehículo: El robot se modela como una bicicleta dinámica con un grado de libertad de balanceo activo adicional. Las cuatro ruedas se agrupan en neumáticos equivalentes delanteros y traseros, mientras que los actuadores de las patas funcionan como una suspensión activa. El modelo asume un cuerpo rígido con geometría constante, donde el guiño (yaw) se genera mediante el par motor diferencial de las ruedas (skid-steering) y el balanceo (roll) se genera mediante la extensión asimétrica de las patas. La dinámica incluye movimiento planar (derrape lateral, guiño, velocidad longitudinal) y dinámica de balanceo desacoplada impulsada por la aceleración lateral.
2. Generación de la Línea de Carrera (Raceline) Fuera de Línea: Se computa una línea de carrera óptima fuera de línea resolviendo un Problema de Control Óptimo de Tiempo Finito (FTOCP) que minimiza el tiempo de vuelta sujeto a los límites de la pista y la dinámica del vehículo. Esto proporciona una trayectoria de referencia para la posición, el rumbo y la velocidad.
3. Planificador MPC en Tiempo Real: Un MPC de alto nivel sigue la referencia de la línea de carrera. La función de costo incluye términos para el seguimiento de posición, rumbo y velocidad, penalizando explícitamente la Relación de Transferencia de Carga (LTR) para llevarla hacia cero. El MPC genera tres comandos de alto nivel: aceleración longitudinal ($a_x$), momento de guiño ($M_\psi$) y momento de balanceo ($M_\theta$).
4. Política de RL de Bajo Nivel: Una política de aprendizaje por refuerzo, entrenada en simulación mediante Optimización de Política Próxima (PPO) con aleatorización de dominio, mapea los comandos de alto nivel del MPC a 16 objetivos de articulación individuales. Esta política gestiona los contactos altamente acoplados y la dinámica de los motores, convirtiendo el comando abstracto de momento de balanceo en extensiones asimétricas de las patas para inclinar el robot en las curvas.

Contribuciones Clave
El artículo realiza tres contribuciones principales:

1. Formulación de MPC: Una formulación de control novedosa que utiliza el control de balanceo activo para mitigar la transferencia de carga lateral, diseñada específicamente para el rendimiento de carrera de un cuadrúpedo con ruedas.
2. Arquitectura Jerárquica: Un conjunto completo de control que combina la optimización de la línea de carrera fuera de línea, el MPC en tiempo real para el seguimiento de la referencia y el RL de nivel de articulación para la ejecución.
3. Validación de Hardware: Validación experimental exitosa del método propuesto en hardware físico, demostrando el control de balanceo activo para un objetivo de carrera en una plataforma de dirección por deslizamiento con ruedas y patas.

Resultados Experimentales
Los experimentos se realizaron en una pista interior en forma de L con el Unitree Go2-W. El controlador de balanceo activo propuesto ("Tilt ON") se comparó con un controlador base donde el comando de momento de balanceo se fijó en cero ("Tilt OFF"). Los hallazgos clave incluyen:

• Mitigación de la Transferencia de Carga: Con aceleraciones laterales igualadas, el control de balanceo activo redujo la media de la Relación de Transferencia de Carga (LTR) hasta en un 44%.
• Ganancias de Rendimiento: El controlador de balanceo activo mejoró el tiempo de vuelta más rápida en un 8.7% (de 10.96s a 10.01s) y redujo el tiempo de vuelta medio en un 6.4%.
• Capacidad Dinámica: La capacidad de aceleración lateral máxima aumentó un 21.3%, alcanzando 1.98 m/s² en comparación con los 1.64 m/s² de la base.
• Estabilidad: El sistema mantuvo una estabilidad de alta velocidad robusta más allá del rango operativo de la base sin inclinación, aunque la distribución de la LTR mostró una ligera sobrecompensación consistente con las ganancias del sistema identificadas.

Significancia
El artículo demuestra que los cuadrúpedos con ruedas pueden trascender sus limitaciones de cuerpo rígido tratando sus patas como una suspensión activa. Al integrar el control de balanceo activo en un marco de carrera, el sistema contrarresta eficazmente la transferencia de carga, preservando así el agarre de los neumáticos y permitiendo velocidades de giro más altas. Este trabajo cierra la brecha entre las estrategias de dinámica de vehículos utilizadas en vehículos inclinables y el control de robots con patas, demostrando que la inclinación activa del cuerpo puede ser una estrategia viable y efectiva para mejorar el rendimiento dinámico de las plataformas de ruedas y patas en carreras autónomas de alta velocidad.