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，用于即时合成复杂的动态机动。所提出的框架的核心是级联保真度模型预测控制器（Cafe-Mpc）。Cafe-Mpc在预测时间范围内（即通过降低模型保真度、增加时间步长和放宽约束条件）策略性地放松规划问题，以获得计算和性能上的收益。该问题通过定制的高效混合系统多次射击iLQR（MS-iLQR）求解器进行数值求解。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，避免了对WBC的额外调整。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单独的组成部分。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。我们还展示了，如果适当配置，则Cafe-Mpc可以提高全身MPC的性能，而不一定增加计算成本。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。所提出的框架使得MIT Mini Cheetah首次完成了体操式翻滚的任务，而传统的MPC则无法完成。视频链接：https://youtu.be/YiNqrgj9mb8。

论文旨在提出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），通过沿着预测时域（即，使用递减的模型保真度、越来越粗糙的时间步长和松弛的约束）策略性地放松规划问题，以获得计算和性能上的优势。

论文提出的方法在MIT Mini Cheetah上实现了体操式翻滚动作，这是传统MPC无法完成的任务。此外，该方法还提出了基于值函数的全身控制（VWBC）技术，避免了对WBC的额外调整。

最近的相关研究包括“Whole-Body Model-Predictive Control Remains Stable and Accurate for Disturbances with Long-Frequency Content”和“Robust Whole-Body Motion Control of a Humanoid Robot Using MPC with ZMP Constraints”。