💻 computer science

On the Emergence of Pendular Structure in Multi-Contact Locomotion

Cet article établit un lien théorique entre la minimisation du moment angulaire en commande optimale et l'émergence de modes de locomotion pendulaires, en dérivant des conditions sous forme close pour leur optimalité et en validant ces résultats par des simulations et des expériences sur un robot quadrupède, tout en mettant en évidence les limites des approximations asymptotiques en commande en boucle fermée.

Auteurs originaux : Lingxue Lyu, Zihui Liu

Publié 2026-05-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Lingxue Lyu, Zihui Liu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez d'apprendre à un chien robot à marcher. Pendant des années, les ingénieurs ont utilisé un modèle mental simple appelé le « Modèle du Pendule Inversé Linéaire » (LIPM). Considérez ce modèle comme un enfant sur une balançoire : le corps du robot est le siège, et les jambes sont les chaînes. La théorie suppose que le centre de masse du robot a naturellement tendance à osciller d'avant en arrière selon une courbe lisse, semblable à celle d'un pendule.

Pendant longtemps, les ingénieurs ont simplement supposé que ce comportement de pendule était la meilleure façon de marcher et ont construit leurs contrôleurs sur la base de cette hypothèse. Mais cet article pose une question différente : Les mathématiques veulent-elles réellement que le robot oscille comme un pendule, ou l'avons-nous simplement forcé à le faire ?

Les auteurs ont mené une série d'expériences pour observer ce qui se passe lorsqu'ils laissent un robot résoudre un problème de marche à partir de zéro, sans imposer la forme du pendule, mais simplement en lui demandant de « rester en équilibre » et de « ne pas perdre le contrôle ».

Voici ce qu'ils ont découvert, décomposé en concepts du quotidien :

1. La Marche « Parfaite » (Quand les Quatre Pattes Sont au Sol)

Imaginez un robot immobile ou marchant lentement, avec ses quatre pattes au sol. Les chercheurs ont donné pour objectif au robot : « Minimisez l'effort nécessaire pour empêcher votre corps de tourner sur lui-même ».

Ils ont découvert que, lorsque le robot adopte une position stable à quatre pattes, les mathématiques poussent naturellement le robot vers cette forme de pendule. Ce n'est pas parce qu'on le lui a dit ; c'est parce que cette forme est la manière la plus efficace de rester en équilibre.

L'Analogie : Imaginez un funambule. S'il tient une longue perche (représentant les quatre pattes), il trouve naturellement un point d'équilibre qui ressemble à un pendule. L'article prouve que si vous avez suffisamment d'« adhérence » (quatre pattes), le chemin le plus efficace est presque exactement le chemin du pendule que nous utilisons depuis des années. Plus vous privilégiez l'équilibre, plus le robot se rapproche de cette oscillation parfaite.

2. Le Problème des « Deux Pattes » (Le Trot)

Maintenant, imaginez que le robot commence à trotter, levant deux pattes diagonales du sol de sorte que seulement deux pattes touchent le sol à la fois. C'est là que la magie opère.

L'article a découvert que lorsqu'un robot n'est que sur deux pattes (comme dans un trot diagonal), il atteint un « plancher dur » en ce qui concerne sa capacité à s'équilibrer. Peu importe comment vous réglez les paramètres du robot, il ne peut pas atteindre ce mouvement de pendule parfait, sans rotation.

L'Analogie : Imaginez essayer d'équilibrer un balai sur votre main en étant debout sur un pied par rapport à être debout sur deux pieds. Sur deux pieds, vous avez une limite à l'angle d'inclinaison avant de glisser. Le « cône de friction » du robot (la limite de la force qu'il peut exercer contre le sol sans glisser) crée une barrière.
Le Résultat : Il existe une vitesse et une direction spécifiques où le robot ne peut pas arrêter de tourner, peu importe la sophistication du contrôleur. C'est comme essayer de tourner une voiture sur une plaque de verglas ; éventuellement, la physique dit que vous allez glisser. L'article calcule exactement où se produit ce « point de glissement ».

3. Le Commutateur « Tâche » vs « Équilibre »

Parfois, un robot doit faire plus que simplement s'équilibrer ; il peut devoir sauter, tourner brusquement ou se remettre d'une poussée. L'article a examiné ce qui se passe lorsque vous ajoutez une « tâche » (comme « déplacez votre corps de cette manière ») à l'objectif d'« équilibre ».

Ils ont trouvé une règle simple : le comportement du robot est un mélange fluide entre « simplement s'équilibrer » (pendule) et « accomplir la tâche » (non-pendule).

L'Analogie : Imaginez un gradateur. Si vous tournez le bouton « équilibre » vers le haut, le robot agit comme un pendule. Si vous tournez le bouton « tâche » vers le haut, le robot arrête d'osciller et commence à faire exactement ce que vous lui avez demandé, même si cela semble malhabile ou déséquilibré. Le robot n'a pas besoin de changer de mode ; il glisse simplement le long d'un spectre en fonction de quel objectif est le plus important à ce moment-là.

4. Le Test du Monde Réel

Les auteurs ont testé ces théories sur un vrai robot (le Unitree Go1) dans une simulation.

Les Bonnes Nouvelles : Lorsque le robot avait les quatre pattes au sol, la simulation correspondait parfaitement à leurs mathématiques. Le robot a naturellement trouvé la forme du pendule.
Les Mauvaises Nouvelles : Lorsque le robot trottait (deux pattes au sol), le vrai robot ne pouvait pas être aussi équilibré que les mathématiques simples ne le prévoyaient. Le « plancher » était plus haut que prévu.
Pourquoi ? L'article suggère que dans le monde réel, des éléments tels que le mouvement des articulations du robot, l'impact des pattes frappant le sol et le balancement des jambes du robot ajoutent un « bruit » supplémentaire que les mathématiques simples n'ont pas pris en compte. C'est comme la différence entre un marbre parfait roulant sur une table en verre et une vraie balle roulant sur un trottoir irrégulier.

Résumé

Cet article confirme que la façon « pendule » de marcher n'est pas seulement une hypothèse commode faite par les ingénieurs ; c'est en réalité la manière mathématiquement optimale de marcher si vous avez une position stable à quatre pattes. Cependant, une fois que vous commencez à trotter sur deux pattes, la physique impose une limite stricte à l'équilibre que vous pouvez atteindre, et vous ne pouvez pas la contourner par simple réglage.

Les auteurs ont essentiellement rédigé un manuel expliquant pourquoi les robots marchent comme ils le font, nous montrant exactement quand les règles du « pendule » s'appliquent et quand les « limites de friction » prennent le relais.

Résumé Technique : Sur l'Émergence de la Structure Pendulaire dans la Locomotion Multi-Contact

Énoncé du Problème

Le Modèle du Pendule Inversé Linéaire (LIPM) est une hypothèse omniprésente dans le contrôle de la locomotion bipède et quadrupède, souvent imposée comme une contrainte de modélisation plutôt que d'émerger naturellement de l'objectif du contrôleur. Bien que des extensions existent pour la hauteur variable ou le moment angulaire, la forme pendulaire est généralement ajoutée « à la main ». Cet article examine une question plus précise : Quelle fonction objectif spécifique provoque l'émergence du motif de force pendulaire comme solution optimale, et où cette image s'effondre-t-elle ?

Les auteurs analysent un petit Problème de Contrôle Optimal (OCP) centré qui pénalise le taux de variation du moment angulaire ( $\|\dot{H}_G\|$ ) parallèlement à des termes standards pour les forces de contact et l'accélération normale. L'objectif est de déterminer si la minimisation du taux de moment angulaire conduit naturellement le système vers la variété pendulaire (où $\dot{H}_G = 0$ ) et de caractériser les limites de ce comportement sous différentes configurations d'appui (plein rang vs $N=2$ ) et exigences de tâche.

Méthodologie

L'article formule un OCP de Couple Net (Définition 1) minimisant une fonction de coût composée de :

Pénalité de Moment Angulaire : $\alpha \|\dot{H}_G\|^2$
Suivi de Tâche : $\lambda \|\dot{H}_G - \dot{H}_{task}\|^2$ (pour les tâches non liées à l'équilibre)
Pénalité d'Accélération Normale : $\beta (n^\top \ddot{c})^2$
Régularisation de Force : $\gamma \sum \|f_i\|^2$

L'analyse procède en trois étapes théoriques, validées par des expériences numériques sur un modèle quadrupède à masse ponctuelle et le robot Unitree Go1 dans MuJoCo (à la fois en QP en boucle ouverte et en MPC au niveau du couple en boucle fermée) :

Analyse d'Appui Plein Rang : En utilisant la Décomposition en Valeurs Singulières (SVD) de la jacobienne du moment, les auteurs dérivent le comportement asymptotique lorsque le poids du moment angulaire $\alpha \to \infty$ .
Analyse d'Appui $N=2$ : Investigation du cas à rang déficient (par exemple, trot diagonal), où l'opérateur de moment a un rang de 1, conduisant à des résidus inévitables et à des contraintes de cône de frottement.
Analyse Pilotée par la Tâche : Examen de la manière dont l'ajout d'un terme de suivi de tâche ( $\lambda > 0$ ) déplace l'optimum loin de la variété pendulaire.

Contributions Clés et Résultats Théoriques

1. Émergence de la Structure Pendulaire en Appui Plein Rang

Théorème 1 : Pour les appuis plein rang, la solution optimale s'effondre asymptotiquement vers le motif de force pendulaire ( $\dot{H}_G \to 0$ ) à un taux de $O(1/\alpha)$ .
Constante Géométrique : La constante de proportionnalité est déterminée par la SVD de la jacobienne du moment, qui correspond directement à la géométrie de l'empreinte des pieds.
Lien avec les Modèles Classiques : Sur cette variété pendulaire, le Point Zéro de Moment (ZMP) égale naturellement le point pivot virtuel, et l'équation orbitale du Composant Divergent du Mouvement (DCM) émerge comme une conséquence, et non comme une hypothèse.

2. Limites Fondamentales en Appui $N=2$ (Trot Diagonal)

Théorème 5 (Plancher Géométrique) : Dans les appuis $N=2$ , la jacobienne du moment est de rang 1. Un taux de moment angulaire résiduel subsiste le long de la direction de la ligne reliant les deux pieds ( $\hat{D}$ ), indépendamment de la redistribution des forces. Cela crée une borne inférieure non nulle (plancher) pour $\|\dot{H}_G\|$ .
Théorème 6 (Cassure du Cône de Frottement) : Une seconde obstruction provient du cône de frottement. Si la force requise pour annuler la composante de moment perpendiculaire tombe en dehors du cône de frottement, une « cassure non lisse » se produit à une accélération horizontale critique ( $a_x^*$ ). Au-delà de ce point, le $\|\dot{H}_G\|$ réalisable dépasse strictement le plancher géométrique.
Implication : En trot diagonal, la direction pendulaire s'incline souvent en dehors du cône de frottement (par exemple, $40.6^\circ$ contre $31^\circ$ pour $\mu=0.6$ ), rendant la solution pendulaire non réalisable et créant un planer indépendant de $\alpha$ .

3. Déviation Pilotée par la Tâche

Théorème 7 : Lorsqu'un terme de tâche ( $\lambda > 0$ ) est ajouté, le taux de moment angulaire optimal devient une interpolation lisse : $\dot{H}_G^* = \frac{\lambda}{\alpha + \lambda} \dot{H}_{task}^*$ .
Diagramme de Phase : Le système transitionne lisssement d'un régime « dominé par l'équilibre » (pendulaire, $\lambda/\alpha \ll 1$ ) vers un régime « dominé par la tâche » (non pendulaire, $\lambda/\alpha \gg 1$ ). Cela explique pourquoi le même robot peut apparaître de type LIPM en équilibre statique mais non pendulaire lors de manœuvres agiles sans changer de contrôleur.

Résultats Expérimentaux

Les auteurs ont validé ces affirmations en utilisant le Unitree Go1 et un modèle à masse ponctuelle :

Vérification du Taux (Masse Ponctuelle) : À mesure que $\alpha$ augmentait, l'écart par rapport au motif de force pendulaire diminuait d'un facteur 227, avec une pente log-log de $-1$, confirmant le taux $O(1/\alpha)$ (Théorème 1).
Constante Géométrique (Go1 N=4) : Dans un appui à quatre pieds, la constante d'échelle empirique ( $K_e = 8.4$ ) correspondait à la prédiction analytique dérivée des empreintes des pieds ( $K_a = 9.8$ ) à $\sim 16\%$ près. Les valeurs singulières de la jacobienne du moment correspondaient aux empreintes physiques des pieds à quatre décimales près.
Vérification du Plancher (Go1 N=2) : En trot diagonal, $\|\dot{H}_G\|$ s'est saturé à un plancher géométrique prédit de $0.2835 \, \text{m}^2/\text{s}^2$ , correspondant à la borne analytique sur quatre chiffres.
Réalité en Boucle Fermée : Dans une MPC au niveau du couple en boucle fermée, le plancher a persisté mais était plus élevé ( $\approx 1.71 \, \text{m}^2/\text{s}^2$ ) que la prédiction statique. Les auteurs attribuent cet écart aux effets dynamiques (impacts de la phase oscillante, transitions de contact, erreurs de servo) non capturés dans l'analyse quasi-statique.
Identité ZMP : Les expériences numériques ont confirmé que sur la variété pendulaire, le ZMP basé sur les forces converge vers le pivot virtuel, validant le lien théorique entre le LIPM et l'optimum de l'OCP.

Signification et Revendications

L'article revendique de rendre le lien entre le LIPM et le contrôle optimal explicite et vérifiable. Il soutient que :

Le LIPM est une conséquence, pas seulement un choix : Le motif pendulaire émerge naturellement lors de la minimisation du taux de moment angulaire dans les appuis plein rang, à condition que le poids $\alpha$ soit suffisamment élevé.
Les limites sont prévisibles : L'effondrement de l'hypothèse pendulaire dans les appuis $N=2$ n'est pas un échec du contrôleur mais une limitation géométrique et frictionnelle fondamentale. L'article fournit des expressions fermées pour les bornes inférieures et l'accélération critique où les contraintes de frottement s'appliquent.
Vision unifiée de l'équilibre et de la tâche : Le rapport $\lambda/\alpha$ fournit un paramètre continu expliquant la transition entre les comportements centrés sur l'équilibre (de type LIPM) et ceux centrés sur la tâche (agiles).

Les auteurs restent modestes concernant les résultats en boucle fermée, notant que si le comportement qualitatif (l'existence d'un plancher) tient dans les simulations dynamiques, l'écart quantitatif entre la théorie statique et la réalité en boucle fermée est significatif et probablement dû à des dynamiques non modélisées (compliance, glissement, taux de contrôle finis). Ils ne revendiquent pas de résoudre ces écarts dynamiques, mais plutôt de définir les limites statiques dans lesquelles ces dynamiques opèrent.