💻 computer science

RK-MPC: Residual Koopman Model Predictive Control for Quadruped Locomotion in Offroad Environments

Dit artikel introduceert RK-MPC, een datagedreven modelvoorspellende regelaar voor viervoeters die een lineaire restcorrectie op een nominaal model toepast om nauwkeurige en robuuste locomotie op ongelijk terrein in real-time te garanderen.

Oorspronkelijke auteurs: Sriram S. K. S. Narayanan, Umesh Vaidya

Gepubliceerd 2026-04-09

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Sriram S. K. S. Narayanan, Umesh Vaidya

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robotvierpoot hebt die door een wild, onbekend landschap moet rennen. Denk aan sneeuw, modder, ijs, en losse stenen. De robot moet niet alleen snel zijn, maar ook niet vallen, zelfs als zijn poot wegglijdt of hij op een steen struikelt.

Dit artikel beschrijft een slimme manier om die robot te besturen, genaamd RK-MPC. Het klinkt als een ingewikkeld wiskundig woord, maar het idee is eigenlijk heel simpel en slim. Laten we het uitleggen met een paar creatieve vergelijkingen.

1. Het Probleem: De "Perfecte" Teekening vs. De Ruwe Realiteit

Stel je voor dat je een robot bouwt die een perfecte tekening van hoe hij zou moeten lopen maakt. In deze tekening is de grond altijd vlak, de pootjes zijn altijd gelijk, en er is geen wind of sneeuw. Dit noemen de auteurs het "nominale model".

Het probleem: In het echt is de grond nooit perfect. Als de robot over sneeuw loopt, glijdt hij. Als hij over grind loopt, zakt hij iets in. De "perfecte tekening" klopt dan niet meer. De robot zou kunnen struikelen omdat hij denkt dat de grond hard is, terwijl hij eigenlijk in een zachte hoop sneeuw staat.

2. De Oplossing: De "Slimme Corrector" (Residual Koopman)

De auteurs zeggen: "Laten we die perfecte tekening niet weggooien, maar er een slimme assistent bij zetten."

De Assistent (De Residual): Deze assistent kijkt niet naar de hele wereld, maar alleen naar de foutjes. Hij zegt: "Hé, de perfecte tekening zegt dat je 1 meter vooruit moet gaan, maar door de sneeuw ga je maar 0,8 meter. Ik ga die 0,2 meter verschil corrigeren."
Waarom is dit slim? In plaats van de robot te laten leren hoe hij alles moet doen (wat heel moeilijk en traag is), leert hij alleen de verschillen tussen de theorie en de realiteit. Het is alsof je een ervaren gids hebt die alleen zegt: "Let op, hier is het glad," in plaats van dat je de hele kaart opnieuw moet tekenen.

3. De "Koopman" Magie: Van Chaos naar Lijnen

De term "Koopman" klinkt als een vreemde naam, maar het is eigenlijk een wiskundige truc.

De Analogie: Stel je voor dat je probeert de beweging van een danser te voorspellen. Als je naar de danser kijkt, lijkt het chaotisch: armen zwaaien, benen trappen, draaien. Dat is moeilijk om in een rechte lijn te voorspellen.
De Truc: De "Koopman-methode" kijkt naar de danser door een speciale bril. Door deze bril ziet de chaos er plotseling uit als een simpele, rechte lijn.
In de robot: De robot gebruikt deze "bril" om de complexe bewegingen van zijn pootjes en de grond om te zetten in simpele, rechte lijnen. Hierdoor kan de computer heel snel berekenen wat de robot moet doen, zelfs als hij over ongelijk terrein loopt.

4. De "MPC" (Model Predictive Control): De Voorspeller

MPC is de strategische planner van de robot.

De Analogie: Stel je voor dat je een auto bestuurt op een kronkelige weg. Je kijkt niet alleen naar de weg direct voor je bumper, maar je kijkt 50 meter vooruit. Je ziet een bocht, en je draait het stuur alvast een beetje, zodat je soepel door de bocht gaat.
De Robot: De RK-MPC doet precies dit, maar 500 keer per seconde! Hij kijkt naar de toekomst, berekent: "Als ik hier mijn poot neerzet, glijd ik misschien. Dus ik zet hem hier neer." Hij doet dit continu, alsof hij een film van de toekomst speelt en telkens de beste zet kiest.

5. Wat hebben ze bewezen? (De Test)

De wetenschappers hebben dit systeem getest op een echte robot (een Unitree Go1, die lijkt op een kleine hond).

De Test: Ze lieten de robot lopen over gras, grind, sneeuw en zelfs ijs. Ze duwden de robot ook een beetje om hem te laten vallen, en lieten hem verschillende loopstijlen (galop, wandelen) doen.
Het Resultaat: De robot met de "Slimme Assistent" (RK-MPC) liep stabiel en snel.
- De robot zonder assistent (alleen de perfecte tekening) struikelde vaak.
- De robot die probeerde alles zelf te leren (zonder de perfecte tekening) werd vaak onstabiel en viel om.
- De RK-MPC was de winnaar: hij gebruikte de perfecte tekening als basis, maar liet de slimme assistent de foutjes opvangen.

Samenvatting in één zin

Deze paper introduceert een robotbesturingssysteem dat werkt als een ervaren gids met een kaart: de kaart (het fysieke model) geeft de basisroute, maar de gids (de data-gestuurde correctie) corrigeert de route live als het terrein modderig of glad is, zodat de robot nooit valt, zelfs niet op het ijs.

Dit maakt het mogelijk voor robots om veilig en snel door de wildernis te lopen, zonder dat ze eerst jarenlang moeten oefenen op elke mogelijke grondsoort.

Titel

RK-MPC: Residual Koopman Model Predictive Control voor Quadruped Locomotie in Offroad Omgevingen

1. Het Probleem

Vierpotige robots die opereren in ongestructureerde en offroad omgevingen (zoals gras, grind, sneeuw en ijs) staan voor een fundamenteel dilemma:

Fysica-gebaseerde modellen: Klassieke Model Predictive Control (MPC) methoden gebruiken gereduceerde dynamische modellen (zoals het Single Rigid Body - SRB model). Deze zijn rekenkundig efficiënt en handhaven constraints goed, maar hun voorspellingnauwkeurigheid degradeert snel bij variaties in contactcondities, wrijving en terrein. Ze kunnen modelfouten niet compenseren.
Data-gedreven methoden: Reinforcement Learning (RL) kan agile gedrag leren, maar mist vaak de voorspellende structuur voor constraints en biedt geen expliciete veiligheidsgaranties. Pure data-gedreven modellen (zoals volledige EDMD - Extended Dynamic Mode Decomposition) worden vaak instabiel over lange voorspellingshorizons of vereisen enorme datasets en rekenkracht.
De uitdaging: Er is behoefte aan een aanpak die de rekenkundige efficiëntie en constraint-handling van convex MPC behoudt, maar tegelijkertijd de voorspellingsnauwkeurigheid verbetert door data-gedreven correcties toe te passen op modelfouten veroorzaakt door contactvariabiliteit en terreinstoornissen.

2. Methodologie: RK-MPC

De auteurs stellen Residual Koopman MPC (RK-MPC) voor, een hybride framework dat een fysica-gebaseerd nominaal model combineert met een data-gedreven lineair correctiemodel in een "geliftte" (lifted) ruimte.

A. Architectuur
Het systeem gebruikt een hiërarchische controlestructuur:

Nominale Dynamiek: Een lineair tijd-variabel SRB-model dat de dominante dynamiek van de robot beschrijft (centroïdale dynamiek). Dit model is fysica-gebaseerd en zorgt voor de basisstructuur.
Residumodel: In plaats van het volledige systeem te leren, leert het framework een lineaire correctie (residu) op de fouten van het nominale model. Het residu wordt gedefinieerd als het verschil tussen de gemeten toestand en de voorspelde toestand van het nominale model.
Koopman Operator: Het residu wordt gemodelleerd in een verhoogde dimensie (lifted space) met behulp van de Koopman-operator theorie. Hierdoor kan een niet-lineair dynamisch systeem (het residu) worden benaderd door een lineair systeem in de ruimte van observabelen.
- Het model leert een lineaire predictor: $z_{k+1} = A_{res}z_k + B_{res}u_k$ , waarbij $z$ de geliftte observabelen van het residu zijn.
- De correctie wordt teruggeprojecteerd naar de fysieke snelheidsruimte.

B. Formulering als Convex QP
De kern van de innovatie is dat de gecombineerde predictor (nominaal + residu) nog steeds lineair is in de beslissingsvariabelen. Dit maakt het mogelijk om het MPC-probleem te formuleren als een Convex Quadratic Program (QP).

Voordelen: Het behoudt de wiskundige eigenschappen die nodig zijn voor snelle, real-time oplossing (oplossingstijden in milliseconden) en garandeert dat constraints (zoals wrijvingskegels en contactkrachten) correct worden gehandhaafd.
Real-time prestaties: Het systeem draait op 500 Hz aan boord van de hardware.

C. Theoretische Garanties
De auteurs bewijzen dat de voorspellingsfout over een horizon begrensd is, mits het residu-model een beperkte benaderingsfout heeft. Omdat het nominale model de dominante dynamiek al goed vastlegt, blijft het residu klein, wat zorgt voor stabiliteit en data-efficiëntie.

3. Belangrijkste Bijdragen

Residual Koopman Modeling: Een framework dat een compact lineair residu leert bovenop een fysica-gebaseerd template-model. Dit biedt formele garanties op multi-stap voorspellingsfouten.
Convex RK-MPC Formulering: Een MPC-ontwerp dat het geleerde residu integreert zonder de convexiteit van het optimalisatieprobleem te verbreken. Dit resulteert in een controller die in real-time (500 Hz) op de robot kan draaien.
Validatie in Simulatie en Hardware: Uitgebreide tests op de Unitree Go1 robot in Gazebo en in het echt, met succesvolle prestaties op diverse ondergronden (gras, grind, sneeuw, ijs) en bij verschillende looppatronen (trot en crawl).
Vergelijking met Baselines: Het paper toont aan dat RK-MPC superieur is aan pure monomiale EDMD (die instabiel wordt) en SE(3)-gebaseerde EDMD (die last heeft van rotatie-drift over de horizon).

4. Resultaten

De experimenten tonen de volgende resultaten:

Voorspellingsnauwkeurigheid: RK-MPC reduceert de voorspellingsfout (RMSE) aanzienlijk ten opzichte van het pure SRB-model en is veel stabieler dan volledige EDMD-modellen over lange horizons.
Stabiliteit: In tegenstelling tot SE(3)-gebaseerde modellen, die last hebben van accumulatie van rotatiefouten (drift) die leiden tot instabiliteit, behoudt RK-MPC de stabiliteit omdat het de rotatie-dynamiek grotendeels aan het fysica-model overlaat en alleen de snelheidsfouten corrigeert.
Robuustheid in Offroad:
- De robot slaagt erin om blind (zonder exteroceptieve sensoren) te lopen over losse ondergronden zoals grind en gras.
- Het systeem herstelt succesvol van externe verstoringen (duwen) en loopt over ijs en sneeuw, waarbij het de wrijvingsgrenzen effectief benut.
- Het werkt goed met verschillende looppatronen (trot en crawl), zelfs als het model alleen is getraind op trot-data.
Rekenkracht: De controller lost het QP-probleem op in gemiddeld 0.89 ms, wat aanzienlijk sneller is dan niet-lineaire MPC varianten en vergelijkbaar met of sneller dan andere lineaire benaderingen, terwijl het een hogere nauwkeurigheid biedt.

5. Betekenis en Conclusie

RK-MPC biedt een praktisch en hardware-gevalideerd pad voor data-gedreven predictieve controle van vierpotige robots in ongestructureerde omgevingen.

Balans: Het vindt de perfecte balans tussen de interpretatie en structuur van fysica-gebaseerde modellen en de aanpassingsvermogen van data-gedreven methoden.
Toepasbaarheid: Door de correctie beperkt te houden tot het residu (en niet het hele systeem te herleren), blijft het model compact, data-efficiënt en rekenkundig licht.
Impact: Dit onderzoek toont aan dat het combineren van Koopman-theorie met residu-modellering een veelbelovende richting is voor robuuste, real-time controle van complexe, contact-rijke robotica-systemen, zonder in te leveren op veiligheid of snelheid.

Kortom, RK-MPC maakt het mogelijk voor quadruped robots om betrouwbaar en snel te navigeren in moeilijke, veranderlijke omgevingen door slimme gebruikmaking van data om fysica-modellen te verbeteren, zonder de wiskundige voordelen van convex optimalisatie te verliezen.