Adaptive-MHE : A Sampling-Based Adaptive MPC for Legged Loco-Manipulation via Moving Horizon Estimation

四足机器人已经变得能够非常熟练地在复杂且不平整的现实世界中穿行。它们可以爬过岩石，迈过泥泞，并以一种曾经被认为机器无法实现的优雅姿态从滑倒中恢复。然而，当要求这些机器人完成不仅仅是行走，而是要一边移动一边推、拉或搬运物体时，一个重大的障碍仍然存在。这种双重任务被称为“运动操控”（loco-manipulation），它要求机器人以复杂的方式与环境进行交互。困难之处在于物理世界充满了未知。机器人本身并不知道一个箱子有多重，地板有多粗糙，或者脚与地面之间存在多少摩擦力。如果机器人假设一个箱子很轻，而实际上它很重；或者假设地面很滑，而实际上它很粘，那么它的动作就会失败。它可能会打滑、掉落物体或失去稳定性。为了让机器人在这些不确定的条件下取得成功，它不能依赖于基于完美知识的预设规则集；它必须能够在移动的过程中学习有关周围环境的物理属性。

长期以来，研究人员一直试图通过教机器人学习在开始任务前先猜测这些属性，或者使用复杂的数学模型来解决这个问题，这些模型要求机器人计算每一次交互的精确物理过程。这些传统方法往往难以奏效，因为现实世界过于混乱，难以进行完美的计算，尤其是当机器人的脚不断地与地面接触和脱离时。由一组工程师开发的新方法提供了一个不同的解决方案。该方法不再试图从一开始就计算出完美答案，而是让机器人在自己的大脑中不断测试许多种可能性，并将其与实际感受到的情况进行比较，从而实时更新其理解。这种方法使机器人能够在物体重量发生变化或从光滑地面踏入粗糙地面时进行即时调整。

这一新系统的核心是研究人员称之为 Adaptive-MHE 的框架。要理解它的工作原理，请想象一个机器人正在推着一个重箱子穿过地板。当机器人移动时，它会记录每一次交互的细节：移动速度有多快、关节如何弯曲以及箱子如何响应。随后，系统会在后台运行一个快速的并行模拟。它生成数千个不同的“如果……会怎样”的情景。在一种情景中，箱子可能非常轻；在另一种情景中，它可能极其沉重；在第三种情景中，地面可能覆盖着冰层。系统会模拟机器人在这些不同假设下的移动方式。然后，它将这些模拟的运动与机器人从现实世界收集到的实际数据进行对比。与实际数据最匹配的情景将被选为最可能的真相。这个过程不是一次性的计算，而是在一个滑动窗口中持续进行的，随着新信息的到来，不断地细化机器人对世界的估计。

这种估计过程与机器人的控制系统紧密耦合。一旦系统对箱子的重量或地面的摩擦力有了更好的了解，它会立即利用这些信息来调整机器人的动作。决定机器人腿部如何移动的控制系统会利用这些更新后的估计值来规划下一步动作。如果机器人意识到箱子比想象中更重，它会自动施加更大的力量。如果它检测到地面更滑，它会调整站姿以保持平衡。这种感知、估计和行动的整个循环发生得非常迅速，以至于机器人看起来像是对环境的变化产生了本能反应。研究人员在名为 Unitree Go1 的四足机器人上测试了这个系统，这是一款市售的四足机器人。他们设计了一系列具有挑战性的任务，旨在测试其处理不确定性的能力。

在一组实验中，机器人被要求将一个箱子推向特定目标。研究人员引入了环境的突然变化，以观察机器人的反应。在一种情景中，机器人在已经推着箱子移动的过程中，箱子的质量增加了一公斤。在另一种情景中，机器人必须推过两种不同类型的地板：一种摩擦系数为 0.4，另一种摩擦系数为 0.8。机器人必须检测到地面纹理的变化，并相应地调整其推力，而不停止或失去控制。系统还测试了机器人仅使用一条腿进行推箱子，同时保持另外三条腿静止的能力，这项任务需要精确的平衡和力量应用。

结果显示，Adaptive-MHE 系统显著优于那些依赖于固定、预设环境假设的机器人。当机器人被赋予关于箱子重量或地面摩擦力的固定信念时，它在大多数试验中都无法完成任务，经常出现打滑或偏离目标的情况。相比之下，自适应机器人即使在起始阶段对真实的物理属性一无所知，也能在近 87% 的试验中取得成功。虽然它的表现并未完全达到那个从一开始就知道精确重量和摩擦力的假设性机器人的水平，但已经非常接近了。自适应机器人能够将其到达目标的误差降低到非自适应机器人的极小部分。它完成任务的速度更快，消耗的能量也更少。

研究人员发现，当系统更新估计频率适中（既频繁又不会导致不稳定）时，效果最好。他们测试了关于机器人应该多久重新评估一次环境，以及同时应该模拟多少种不同情景的各种设置。他们发现需要一种平衡：每隔几秒更新一次估计，可以让机器人有效地追踪变化，而不会被数据中的噪声所淹没。即使这些属性在任务过程中发生突变，系统也能高精度地识别物体的质量和地形的摩擦力。这种能力表明，机器人可以被设计成在物理属性未知或不断变化的场景中有效运行，而无需为每一个新情况进行重新训练。

这项工作代表了在提高机器人鲁棒性和多功能性方面迈出的重要一步。通过将一种用于估计物理参数的方法与一个能够实时根据这些估计进行操作的控制器相结合，研究人员创造了一个能够应对现实世界不可预测性的系统。这种方法不需要专门的传感器来直接测量重量或摩擦力；相反，它通过机器人自身的运动和交互来推断这些属性。这使得该技术在多样化的环境中部署更加实用，例如仓库或灾难现场，在这些地方，环境条件很少能被提前获知。Adaptive-MHE 框架的成功证明了机器人可以学会如何即时适应其物理环境，从而弥合了模拟环境与外部混乱现实之间的鸿沟。