Cafe-Mpc: A Cascaded-Fidelity Model Predictive Control Framework with Tuning-Free Whole-Body Control

本文介绍了一种基于优化的运动控制框架，用于实时合成复杂的动态机动。该框架的核心是级联保真度模型预测控制器（Cafe-Mpc）。Cafe-Mpc沿着预测时域（即，随着模型保真度的降低，时间步长越来越粗糙，约束条件越来越松弛）策略性地放松规划问题，以获得计算和性能上的优势。这个问题是通过一个高效的定制多重射击iLQR（MS-iLQR）求解器进行数值求解的，该求解器专为混合系统量身定制。Cafe-Mpc的动作价值函数然后被用作新的基于价值函数的全身控制（VWBC）技术的基础，该技术避免了对WBC进行额外调整。在这方面，所提出的框架统一了全身MPC和更传统的全身二次规划（QP），这在以前的工作中被视为独立的组件。我们研究了Cafe-Mpc中级联放松对跟踪性能和所需计算时间的影响。我们还表明，如果适当配置Cafe-Mpc，则可以提高全身MPC的性能，而不必增加计算成本。此外，我们展示了所提出的VWBC在约束处理方面优于Ricatti反馈控制器的卓越性能。该提议的框架使得MIT Mini Cheetah首次完成了体操式翻桶动作，而传统的MPC则无法完成。视频链接：https://youtu.be/YiNqrgj9mb8。

本文旨在介绍一种基于优化的运动控制框架，用于即时合成复杂的动态机动。该框架的核心是级联保真度模型预测控制器（Cafe-Mpc），旨在为计算和性能增益而沿预测时间线放松规划问题，通过使用定制的多重射击iLQR（MS-iLQR）求解器进行数值求解。

Cafe-Mpc和VWBC技术的结合为整体运动MPC和传统的整体运动二次规划（QP）提供了一个统一的框架，实现了全身运动控制的自动化。

本文提出的框架可以通过Cafe-Mpc和VWBC技术实现全身运动控制的自动化，避免了传统MPC和QP需要额外调整的问题。此外，该框架还能够实现传统MPC无法完成的动作，如在MIT Mini Cheetah上完成体操式的翻滚。

在这个领域中，最近的相关研究包括：《An optimization-based locomotion control framework for on-the-fly synthesis of complex dynamic maneuvers》、《Whole-body motion planning and control of legged robots in challenging environments》、《Online generation of human-like walking motions for humanoid robots using a hierarchical quadratic programming》等。