Riepilogo Tecnico: Modello Giusto, Momento Giusto: MPC a Cascata di Fedeltà in Tempo Reale per la Camminata Bipedale

Enunciato del Problema

La robotica a zampe ha registrato progressi significativi, ma il controllo di robot bipedi ad alta dimensionalità rimane una sfida. Sebbene l'Apprendimento per Rinforzo (RL) offra risultati impressionanti, fatica con l'inefficienza nel campionamento, la modellazione delle ricompense e le garanzie di sicurezza. Il Controllo Predittivo di Modello (MPC) è attraente per la sua capacità di gestire vincoli e dinamiche di sistema online; tuttavia, risolvere problemi di controllo ottimo per le dinamiche bipedi a corpo intero in tempo reale è computazionalmente proibitivo.

Gli approcci esistenti spesso disaccoppiano pianificazione e controllo, utilizzando modelli a ordine ridotto (ad es. Corpo Rigido Singolo) per la pianificazione MPC e il Controllo a Corpo Intero (WBC) per l'esecuzione. Questa separazione può portare a piani dinamicamente non fattibili. Al contrario, recenti approcci MPC a corpo intero che utilizzano la Programmazione Dinamica Differenziale (DDP) sono efficaci ma spesso si affidano a solver specializzati e specifici per il problema. È necessario un framework che bilanci l'efficienza computazionale con l'accuratezza predittiva, sfruttando solver maturi e generici per abilitare il controllo a corpo intero in tempo reale senza implementazioni di solver personalizzati.

Metodologia

Il documento propone un framework di Controllo Predittivo di Modello (MPC) a corpo intero multi-fase che combina modelli ad alta fedeltà e a ordine ridotto all'interno di un singolo orizzonte di previsione. L'approccio è implementato utilizzando acados, un framework open-source generico che supporta il controllo ottimo multi-fase.

1. Formulazione a Fedeltà a Cascata

L'orizzonte di previsione è diviso in due fasi distinte:

• Orizzonte Iniziale (Fase a Corpo Intero): I primi $N_{wb}$ passi utilizzano un dettagliato modello a Corpo Intero (WB). Questa fase cattura le dinamiche bipedi complete, inclusi i momenti torcenti dei giunti attuatori, l'orientamento della base galleggiante e le coppie di contatto per entrambi i piedi. Lo stato include posizioni e velocità generalizzate, e le dinamiche sono linearizzate attorno a una configurazione iniziale per ridurre la complessità mantenendo i vincoli cinematici non lineari.
• Orizzonte Successivo (Fase Corpo Rigido Singolo): I successivi $N_{srb}$ passi utilizzano un modello Corpo Rigido Singolo (SRB). Qui, il robot è approssimato come un singolo corpo rigido con massa e inerzia concentrate. Lo stato include la posizione/velocità della base galleggiante e le posizioni relative dei piedi. Questa semplificazione riduce significativamente il carico computazionale per il futuro distante.

2. Problema di Ottimizzazione

Il controllore risolve un problema di controllo ottimo non lineare utilizzando la Programmazione Quadratica Sequenziale (SQP). La funzione obiettivo minimizza i costi di stadio per entrambe le fasi, un costo di transizione al confine della fase e un costo terminale.

• Vincoli: La formulazione include coni di coppia, programmi di contatto (modi di contatto prescritti), condizioni di non scivolamento e cinematica di contatto (assicurando che i piedi siano a terra durante la fase di appoggio e entro i limiti durante l'oscillazione). I limiti dei giunti sono imposti come vincoli a scatola.
• Transizione: Una mappa di transizione $f_t(\cdot)$ inizializza lo stato SRB dallo stato WB terminale, garantendo la continuità nella base galleggiante e nelle posizioni dei piedi derivate dalla cinematica diretta.
• Input di Controllo: La fase WB ottimizza i momenti torcenti dei giunti e le coppie di contatto. La fase SRB ottimizza le coppie di contatto e le velocità dei piedi. Notabilmente, il controllore non si basa su posizioni di appoggio pre-selezionate; ottimizza il posizionamento del piede dinamicamente in base alla velocità di camminata target.

3. Dettagli di Implementazione

• Solver: Il problema è risolto utilizzando il solver SQP in acados con un'approssimazione dell'Hessiana di Gauss-Newton e il metodo dei punti interni HPIPM per i sottoproblemi QP.
• Strategia in Tempo Reale: Il sistema adotta una strategia di soluzione "sufficientemente buona", limitando il numero di iterazioni SQP per ciclo di controllo per garantire che il tempo di soluzione rimanga entro il budget di frequenza di controllo (100 Hz).
• Discretizzazione: La fase WB utilizza un passo temporale più fine ($\Delta t_{wb} = 0.02$ s), mentre la fase SRB utilizza un passo più grossolano ($\Delta t_{srb} = 0.1$ s) per bilanciare ulteriormente accuratezza e velocità.

Risultati Chiave

Il controllore è stato validato nella simulazione MuJoCo sul robot bipede HyPer-2 (18 DoF, altezza 110 cm, 22 kg).

• Prestazioni in Tempo Reale: Il sistema ha raggiunto una camminata stabile a una frequenza di controllo di 100 Hz con un tempo di soluzione massimo di 10 ms.
• Limiti di Iterazione: Esperimenti che variavano il numero di iterazioni SQP hanno mostrato che 3 iterazioni erano sufficienti per minimizzare gli errori di altezza e velocità mantenendo i tempi di soluzione sotto i 10 ms. Aumentare le iterazioni oltre questo punto ha prodotto rendimenti decrescenti nella riduzione del costo, ma ha aumentato linearmente il tempo di soluzione.
• Composizione dell'Orizzonte: Variare il rapporto $\alpha = N_{wb} / (N_{wb} + N_{srb})$ ha rivelato un compromesso. Un rapporto di $\alpha = 0.6$ ha minimizzato gli errori di tracciamento ma ha superato il limite di tempo di soluzione di 10 ms. Rapporti $\alpha \le 0.2$ hanno portato all'instabilità, mentre $\alpha > 0.7$ hanno causato la caduta del robot, probabilmente a causa di un orizzonte di previsione effettivo accorciato.
• Discretizzazione: Il sistema è risultato instabile per passi temporali WB inferiori a 15 ms. La dimensione del passo ottimale è risultata essere circa 21 ms (orizzonte totale $T \approx 126$ ms), bilanciando la minimizzazione dell'errore di altezza contro il rischio di configurazioni singolari (cedimento del ginocchio) a dimensioni di passo maggiori.

Significato e Affermazioni

Gli autori affermano che questo lavoro dimostra la fattibilità di un MPC a corpo intero in tempo reale per la camminata bipede utilizzando strumenti standard di ottimizzazione numerica generici (acados) piuttosto che solver specializzati e specifici per il problema.

I contributi chiave includono:

1. Framework Unificato: Integrazione riuscita di un modello WB ad alta fedeltà e un modello SRB ridotto in un'unica formulazione MPC multi-fase.
2. Efficienza Computazionale: Raggiungimento di prestazioni in tempo reale (100 Hz) su un robot a 18 DoF riducendo strategicamente la fedeltà del modello nei passi di previsione successivi e limitando le iterazioni SQP.
3. Pianificazione Autonoma dei Passi: Il controllore ottimizza simultaneamente i momenti torcenti dei giunti e il posizionamento dei piedi senza fare affidamento sulla selezione preliminare dei passi, guidato solo da una velocità target e da un programma di contatto.

Il documento conclude che, sebbene l'approccio sia promettente, l'analisi del design multi-fase (in particolare l'interazione tra lunghezza dell'orizzonte, composizione del modello e discretizzazione) richiede ulteriori studi sistematici. Gli autori notano che la validazione sul robot fisico HyPer-2 è necessaria per valutare la stabilità in condizioni realistiche.