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

Technische Samenvatting: Racen met een wielgestuurde quadrupede via actieve mitigatie van lastoverdracht

Probleemstelling
Wielgestuurde quadrupede bieden een unieke synthese van de aanpassingsvermogen van benen en de efficiëntie van wielen, maar hun controle bij hoge snelheden brengt aanzienlijke uitdagingen met zich mee door complexe contactdynamica en 16 vrijheidsgraden. Bij autonoom racen opereren voertuigen nabij hun dynamische grenzen, waar laterale lastoverdracht het effectieve bochtvermogen vermindert en het risico op omslaan vergroot. Traditionele controlebenaderingen voor wielgestuurde quadrupede passen vaak gangbewegingen (gaits) van benen toe of gaan uit van een rigide chassis, waarbij ze er niet in slagen de inherente vrijheidsgraden van het platform te benutten om carrosserierol actief te beheren. Hoewel actieve rolcontrole een gevestigde strategie is voor motorfietsen en kantelende voertuigen, is het nog niet experimenteel gevalideerd voor het voorkomen van omslaan bij skid-sturende wielgestuurde quadrupede in deze context.

Methodologie
De auteurs stellen een hiërarchisch controleframework voor dat Model Voorspellende Controle (MPC) en Reinforcement Learning (RL) integreert om laterale lastoverdracht te beheren op het Unitree Go2-W platform. Het systeem werkt op drie niveaus:

1. Voertuigmodellering: De robot wordt gemodelleerd als een dynamische tweewieler met een toegevoegde actieve rol-vrijheidsgraad. De vier wielen worden samengevoegd tot equivalente voor- en achterbanden, waarbij de beenactuatoren fungeren als actieve ophanging. Het model gaat uit van een star lichaam met constante geometrie, waarbij gierbeweging (yaw) wordt gegenereerd via differentiële wielkoppels (skid-steering) en rolbeweging (roll) wordt gegenereerd door asymmetrische beenextensie. De dynamica omvat planaire beweging (zijwaartse slip, gier, longitudinale snelheid) en ontkoppelde rol-dynamica gedreven door laterale acceleratie.
2. Offline Raceline Generatie: Een optimale raceline wordt offline berekend door een Finite-Time Optimal Control Problem (FTOCP) op te lossen dat de rondetijd minimaliseert onderhevig aan baanbegrenzingen en voertuigdynamica. Dit levert een referentietraject voor positie, koers en snelheid.
3. Online MPC Planner: Een hoogwaardige MPC volgt de referentie van de raceline. De kostenfunctie bevat termen voor het volgen van positie, koers en snelheid, terwijl de Load Transfer Ratio (LTR) expliciet wordt bestraft om deze naar nul te drijven. De MPC geeft drie hoogwaardige commando's uit: longitudinale acceleratie ($a_x$), giermoment ($M_\psi$) en rolmoment ($M_\theta$).
4. Low-Level RL Policy: Een reinforcement learning policy, getraind in simulatie met Proximal Policy Optimization (PPO) met domeinrandomisatie, brengt de hoogwaardige MPC-commando's in kaart naar 16 individuele gewrichtstargets. Deze policy handelt de sterk gekoppelde contact- en motordynamica af, waarbij het abstracte rolmoment-commando wordt omgezet in asymmetrische beenextensies om de robot in de bochten te laten hellen.

Belangrijkste Bijdragen
Het artikel levert drie primaire bijdragen:

1. MPC Formulering: Een nieuwe controleformulering die gebruikmaakt van actieve rolcontrole om laterale lastoverdracht te mitigeren, specifiek afgestemd op de raceprestaties van een wielgestuurde quadrupede.
2. Hiërarchische Architectuur: Een volledige controlestack die offline raceline-optimalisatie, online MPC voor referentie-tracking en gewrichtsniveau RL voor uitvoering combineert.
3. Hardware Validatie: Succesvolle experimentele validatie van de voorgestelde methode op fysieke hardware, waarbij actieve rolcontrole wordt gedemonstreerd voor een racing-doelstelling op een skid-sturende wiel-been platform.

Experimentele Resultaten
Experimenten werden uitgevoerd op een binnen L-vormig circuit met de Unitree Go2-W. De voorgestelde actieve rolcontroller ("Tilt ON") werd vergeleken met een baseline controller waarbij het rolmoment-commando op nul werd gezet ("Tilt OFF"). Belangrijkste bevindingen zijn:

• Mitigatie van Lastoverdracht: Bij gelijke laterale acceleraties verminderde de actieve rolcontrole de gemiddelde Load Transfer Ratio (LTR) met tot wel 44%.
• Prestatiewinst: De actieve rolcontroller verbeterde de snelste rondetijd met 8,7% (van 10,96s naar 10,01s) en verminderde de gemiddelde rondetijd met 6,4%.
• Dynamische Capaciteit: De piek laterale acceleratiecapaciteit nam toe met 21,3%, bereikend tot 1,98 m/s² vergeleken met 1,64 m/s² voor de baseline.
• Stabiliteit: Het systeem behield een robuuste hoge-snelheidstabiliteit buiten het operationele bereik van de niet-kantelende baseline, hoewel de LTR-distributie een lichte overcompensatie vertoonde, consistent met de geïdentificeerde systeemwinsten.

Significantie
Het artikel demonstreert dat wielgestuurde quadrupede hun beperkingen van starre lichamen kunnen overstijgen door hun benen als actieve ophanging te behandelen. Door actieve rolcontrole te integreren in een racing-framework, bestrijdt het systeem effectief de lastoverdracht, waardoor de bandengrip behouden blijft en hogere bochtsnelheden mogelijk worden. Dit werk overbrugt de kloof tussen voertuigdynamica-strategieën gebruikt in kantelende voertuigen en de controle van looprobots, en bewijst dat actieve lichaamshelling een levensvatbare en effectieve strategie is voor het verbeteren van de dynamische prestaties van wiel-been platforms in autonome racing met hoge snelheden.