Introducing Force Feedback in Model Predictive Control
Introducing Force Feedback in Model Predictive Control
复制标题
在模型预测控制中引入力反馈
DOI：
10.1109/iros47612.2022.9982003
复制
发表时间：
2022
期刊：
影响因子：
--
通讯作者：
L. Righetti
中科院分区：
文献类型：
--
作者：
Sébastien Kleff;Ewen Dantec;Guilhem Saurel;N. Mansard;L. Righetti
在有关模型预测控制（MPC）的文献中，接触力是计划的，而不是控制的。在本文中，我们提出了一种新的范式，将努力的测量到一个预测控制器，从而允许控制它们的直接测量反馈。我们首先证明了为什么经典的最优控制配方，基于位置和速度状态反馈，不能处理力信息的直接反馈。按照以前的方法在力控制，然后，我们建议增加经典配方与机器人驱动的模型，这自然允许生成适应感测的位置，速度和扭矩的在线轨迹。我们提出了一个完整的实现这一想法的上部的一个真实的人形机器人，并通过硬件实验表明，这种新的配方，将努力反馈优于经典MPC在具有挑战性的任务，与环境的物理交互是至关重要的。
In the literature about model predictive control (MPC), contact forces are planned rather than controlled. In this paper, we propose a novel paradigm to incorporate effort measurements into a predictive controller, hence allowing to control them by direct measurement feedback. We first demonstrate why the classical optimal control formulation, based on position and velocity state feedback, cannot handle direct feedback on force information. Following previous approaches in force control, we then propose to augment the classical formulations with a model of the robot actuation, which naturally allows to generate online trajectories that adapt to sensed position, velocity and torques. We propose a complete implementation of this idea on the upper part of a real humanoid robot, and show through hardware experiments that this new formulation incorporating effort feedback outperforms classical MPC in challenging tasks where physical interaction with the environment is crucial.
DOI：
10.1109/icra48506.2021.9560990
发表时间：
2021
期刊：
2021 IEEE-RAS International Conference on Robotics and Automation (ICRA
影响因子：
--
作者：
Kleff, Sebastien;Meduri, Avadesh;Budhiraja, Rohan;Mansard, Nicolas;Righetti, Ludovic
通讯作者：
Righetti, Ludovic
影响因子：
7.8
作者：
Meduri, Avadesh;Shah, Paarth;Righetti, Ludovic
通讯作者：
Righetti, Ludovic