【ETHZ博士论文】通过自适应和基于学习的模型预测控制的机器人移动操纵

动态稳定移动操纵器的使用正从受控研究实验室扩展到真实世界。然而，自主操纵技能仍然专门用于单一任务，并且只能处理对象物理属性的有限变化，这阻碍了机器人在非结构化人类环境中的部署。本论文关注于动态稳定移动操纵器的整体运动规划和控制，以及为控制器提供实时适应由于与物体交互而引起的机器人动力学变化。

动态稳定移动操纵器，即配备机器人手臂的积极平衡移动机器人，在为人类设计的环境中工作潜力非常大。然而，它们的灵活性和顺应性需要高控制复杂性。传统的控制策略将移动和操纵问题分别处理，需要额外的启发式方法来实现整体协调。此外，基于逆动力学的控制器不考虑系统未来的演变，这对平衡控制至关重要。另一方面，在本论文中，我们提出了一种基于模型预测控制（MPC）的整体运动规划和控制公式。我们的方法利用了完整的机器人动力学，并共同优化平衡、基座追踪、末端执行器追踪和环境交互。我们在一个球平衡操纵器的广泛实验中验证了所提出的整体MPC控制器。

当机器人动力学不准确或操纵新物体时，模型不确定性可能严重影响MPC的性能和通用性。为了解决这个问题，我们提出了两种在线适应方案，用于MPC系统动力学中的物体参数，我们在一个球平衡操纵器的开门和举起物体任务中展示了这一点。尽管我们最初将外部环境建模为线性系统，但对于更复杂的操纵任务或机器人动力学中的不确定性，需要更具描述性的表示。因此，我们提出将模型误差近似为三角函数基函数的线性组合。假设当机器人执行类似操纵任务时，动力学的基本结构不会发生显著变化，我们从相关实验中收集的数据学习基函数的超参数，例如，让机器人打开具有不同刚度系数的门。执行新任务时，基函数的超参数保持不变，而线性参数在线适应。我们在仿真和硬件实验中测试了得到的多任务学习MPC控制器，并与其他自适应MPC控制器进行了广泛比较。

最后，为了在参数不确定性下获得更好的跟踪性能，我们将机器人操纵器自适应控制中导出的控制Lyapunov函数（CLF）约束纳入最优控制问题的不等式集合中。因此，我们获得了一种结合了CLFs和MPC优势的自适应控制器，在机器人与未知物体交互时提供了改进的性能，并减少了对MPC预测范围调整的依赖。我们通过与几个基线的比较展示了所提方法的优势，并在一个四足机器人搬运砖块和拖拽重箱的硬件测试中验证了它。