MIT Cheetah 3的MPC控制器到底强在哪？一个凸优化问题搞定所有步态

MIT Cheetah 3的MPC控制器：如何用一个凸优化问题统一所有步态

当四足机器人需要从静止站立切换到高速奔跑时，传统控制方法往往需要为每种步态设计独立的控制器。这不仅增加了系统复杂性，更在步态切换时面临稳定性挑战。MIT Cheetah 3团队通过一个精妙的凸优化框架，实现了从缓行到疾驰的统一控制范式，其核心思想是将复杂的动力学约束转化为可实时求解的二次规划问题。

1. 多步态统一的控制难题

四足机器人的运动控制面临三个基本矛盾：高维状态空间与实时计算的矛盾、非线性动力学与凸优化求解的矛盾、以及步态多样性与控制一致性的矛盾。传统解决方案通常采用以下妥协：

• 启发式控制器：针对特定步态（如跳跃）设计专用算法，但参数调整困难且难以泛化
• 简化模型：将三维运动降维处理（如平面模型），牺牲了侧向运动和转向能力
• 分层架构：高级规划器与底层跟踪控制器分离，导致响应延迟和误差累积

MIT团队发现，这些方法都无法满足全向移动的需求——机器人需要随时根据指令改变行进方向，同时应对地形扰动。更关键的是，当步态从站立转为小跑再进入疾驰时，传统控制器需要复杂的模式切换逻辑，而任何切换瞬间都可能成为稳定性漏洞。

2. 凸优化的降维艺术

2.1 动力学模型的智能简化

Cheetah 3的核心突破在于将12自由度的复杂动力学转化为仍保持三维特性但可凸化的形式。其简化策略包含三个关键步骤：

1. 刚体假设：将机器人视为单个刚体，忽略占总量10%的腿部动力学
2. 小角度近似：当横滚/俯仰角<15°时，非线性角速度方程可线性化为：

   \dot{\omega} \approx I^{-1}\sum(r_i \times f_i)

3. 时变线性化：在每个控制周期(20-30Hz)根据当前状态重新线性化模型

这种简化并非简单粗暴的降维，而是通过高频模型更新补偿近似误差。实验显示，即使遭受1m/s²的侧向冲击，线性化假设仍能保持有效。

2.2 统一约束建模

不同步态的本质差异体现在接触力约束上。控制器通过以下方式实现统一表达：

通过引入二进制接触状态矩阵D_i，将各种步态统一表述为：

# 伪代码：约束生成逻辑 for foot in feet: if D_i[foot] == 0: # 悬空脚 f[foot] = 0 else: # 接触脚 apply_friction_pyramid(f[foot])

3. 实时MPC的工程实现

3.1 高效QP求解架构

控制器采用condensed QP formulation将原始问题规模压缩80%，关键优化包括：

• 状态消元：通过动力学方程将未来状态表示为力的线性组合
• 稀疏性利用：仅优化当前接触脚力，自动满足零力约束
• 热启动：复用上一周期解作为初始猜测

实测在Intel i7-8550U处理器上，求解时间稳定在0.8ms以内，满足30Hz的实时性要求。

3.2 抗干扰机制设计

为应对地形突变，系统集成三重保护：

1. 接触检测：通过电流/位置信号实时识别意外接触(响应时间<5ms)
2. 轨迹缓冲：保留多个备选参考轨迹，根据扰动程度动态切换
3. 力柔化：在QP成本函数中加入力变化率惩罚项：

   J = \sum \|f_{k+1}-f_k\|^2_{W_{\Delta}}

这种设计使得机器人能在被施加1m/s²的侧向冲击后，在两步内恢复稳定。

4. 多步态性能验证

4.1 动态性能基准

在标准测试中，控制器展现出惊人的适应性：

特别值得注意的是，所有步态使用同一组QP权重参数，仅通过调整参考轨迹实现模式切换。

4.2 极限场景测试

在最具挑战性的楼梯攀爬测试中，机器人展示了算法的鲁棒性：

1. 未知地形：楼梯覆盖碎木片，脚部滑动率达40%
2. 盲爬策略：无视觉反馈，仅依赖接触检测调整步态相位
3. 能耗优化：攀爬功耗较传统方法降低35%

通过将预测时域(0.5s)与步态周期动态匹配，控制器能自动在稳健性和敏捷性间取得平衡。当检测到持续滑动时，会自主延长支撑相时间直至获得足够推进力。

5. 设计哲学与扩展思考

这套控制框架的成功印证了一个控制理论中的朴素真理：好的模型不在于复杂程度，而在于是否抓住了关键动态。MIT团队的选择体现了三个层次的设计智慧：

1. 可放弃的精度：忽略腿部动力学、高阶角速度项
2. 必须保留的非线性：接触力约束、全向摩擦锥
3. 需要强化的部分：高频模型更新、抗干扰机制

在实际部署中，工程师还发现了一些有趣现象：当机器人以2.5m/s疾驰时，主动引入约5°的周期性横滚摆动，反而能降低15%的能耗。这提示我们，最优运动模式可能存在于简化模型的解空间之外，值得通过在线学习进一步探索。