2024 开放原子开发者大会人形机器人分论坛 | 从算法到实践：基于MPC与WBC的人形机器人运动控制的实现（上）

已于 2025-01-14 15:29:42 修改
阅读量1.7k 收藏 27
点赞数 29
分类专栏： OpenLoong社区技术博客 活动会议 文章标签： 开放原子 机器人 人工智能 开源
于 2025-01-09 11:32:31 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/OpenLoong_/article/details/145028513
版权

前言：人形机器人的运动控制系统决定了它的行动能力和反应速度，是实现其自主性、灵活性和智能化的关键。目前人形机器人控制方案包括传统控制、优化控制、仿生控制和基于学习的控制方法。随着科技的发展，像MPC和WBC这样的先进控制策略在人形机器人运动控制领域的应用日益广泛，提升了机器人的功能表现。本文将带您一探人形机器人运动控制的奥秘，并分析这些技术如何通过开源社区促进整个行业的发展。

在2024年12月20日至21日举办的开放原子开发者大会期间，国家地方共建人形机器人创新中心的运动控制系统专家马老师在人形机器人分论坛上发表了题为《从算法到实践：基于 MPC 与 WBC 的人形机器人运动控制的实现》的主题演讲，概述了人形机器人运动控制技术的发展，介绍了MPC与WBC算法框架，并对 OpenLoong 动力学控制开源仓库的实践经验进行分享。

下面是对马老师演讲的整理：

马老师的演讲从以下几个方面展开，第一部分回顾了人形机器人运动控制技术发展历程和现状，第二部分介绍了基于 MPC 与 WBC 的运动控制算法框架，第三部分分享了 OpenLoong 动力学控制开源仓库，最后进行了总结和展望。下文整理了马老师在演讲过程中关于这几部分的思考。

1、人形机器人运动控制技术发展现状

2022年开始，国家对人形机器人领域的投入逐渐加大，也极大的促进了人形机器人领域的技术发展。从上个世纪人形机器人的技术研究开始，发展到目前，它的主流控制方向主要是分为两个，基于模型的传统方法控制方案和基于学习的运动控制方案。

第一个传统方法控制方案，从1990年到2020年，以日本和美国为代表，传统控制方案推动了人形机器人从静态平衡到动态平衡的快速发展，实现了从基本行走向跑酷等高动态动作的转变。这一时期主

最低0.47元/天 解锁文章
【论文解读--MPC+WBC控制】（Cheetah mini）Whole-Body Impulse Control and Model Predictive Control
qq_35635374的博客
12-15 1万+
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 TODO:写完再整理 文章目录系列文章目录前言一、简介二、控制架构1、控制流程三、1.2.3.4.四、1.2.3.4.总结参考资料 前言 认知有限，望大家多多包涵，有什么问题也希望能够与大家多交流，共同成长！ 本文先对高动态四足机器人全身脉冲控制WBC与模型预测控制MPC做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章 提示：以下是本篇文章正文内容 一、简介 本文提出了一种将全身力控制（WBC）和模型预
Whole Body Control（WBC）全身控制
weixin_46300916的博客
11-18 4525
谷歌的几种解释在这里，全身控制指的是 Oussama Khatib 教授提出的一种控制框架。该框架也被称为任务空间控制、操作空间控制或操作空间制定。当你控制一个有很多关节的机器人时，很难计算出所需的关节角度/力矩集。传统的方法是逆运动学（IK），这是一种几何解决方案。ahl_wbc 可以根据机器人指尖的期望位置/方位计算所需的角度/力矩集。因此，如果使用这个框架，就可以在不使用 IK 的情况下轻松控制复杂的机器人。
【开源】基于NMPC和WBC的双足机器人控制框架简介
weixin_47564449的博客
03-07 7136
A humanoid bipedal walking control repo using NMPC and WBC, and simulation with mujoco. Contact: xuejl2001@mail.ustc.edu.cn
Openloong-dyn-control：基于 MPC 与 WBC 的仿人机器人运动控制框架
gitblog_00014的博客
04-01 740
Openloong-dyn-control：基于 MPC 与 WBC 的仿人机器人运动控制框架 Openloong-dyn-control 开源全身动力学控制软件包 项目地址: https://gitcode.com/gh_mir...
基于MPC与WBC的人形机器人控制框架
具身智能机器人
03-11 1661
6、逆运动学的求解，pinocchio官网中提供了一种闭环逆运动学的求解方法，迭代获得解，要注意为了避免奇异点问题，采用阻尼伪逆，这种方式能够减少求解时的震荡，官网中有逆运动学的范例程序，可以先用其中的默认值，如果出现求解问题，可以调节DT与参数，前面说DT类似于Kp，那就有类似于阻尼的作用，即Kd的作用，大家可以根据pd的作用机理去调节这两个参数。1、由于人形机器人是个浮动基，q包含了质心位置、质心姿态、关节位置信息，其中前7个为浮动基的数据，浮动基的姿态采用四元数，因此q比dq多一维；
ETH机器人动力学讲义：基于零空间方法的全身运动控制（WBC）-1
weixin_42235171的博客
08-21 4398
但是在大多数情况下，我们更倾向于通过规划得到的终端速度 w 去规划关节速度 q_dot ，如果矩阵 J 可逆的情况下，通过简单的对在两侧左乘 J的逆矩阵即可。对于有冗余的系统（如上式）通常有无穷多的解，加入零空间矩阵 N , 其满足。，也不会影响上式中的控制中对终端运动 w 的控制。上面讨论过了据有更高优先级的控制矩阵，下面是第一优先级任务的控制。个任务具有相同的优先级，通常采用如下方法求取广义速度。，便可以通过实现如下公式实现任意改变。最简单的零空间矩阵 N 的可以选取为。
WBC学习笔记(二)：WBC控制的实际应用
weixin_45728705的博客
10-19 4140
本篇文章主要参考了以下的文章，目的是为了加深自己对WBC公式以及多优先级任务运用的理解。 基于零空间方法（NUB）的全身控制（WBC）的简单实现 控制系统输入：滑块在轨道上的位置yhy_hyh​，机械臂各关节位置 θ=[θ1 θ2 θ3]T\boldsymbol{\theta}=[\theta_1\ \theta_2\ \theta_3]^Tθ=[θ1​ θ2​ θ3​]T。 控制系统输出：机械臂各个关节的速度θ˙\boldsymbol{\dot{\theta}}
MPC+WBC多任务优先级控制例子
xiaoc100200的博客
06-09 879
该示例展示了如何使用CasADi库实现包含多个任务优先级的WBC，并结合MPC进行控制。
这篇文章详细探讨了下一代机器人运动控制系统的演进，涵盖了从动力学建模到自适应控制的各个方面 主要内容包括：
最新发布
04-09
内容概要：本文详细探讨了从动力学建模到自适应控制的下一代机器人运动控制系统的发展。首先介绍了机器人动力学方程的基础知识，包括惯性矩阵、科里奥利力和离心力矩阵、重力项等概念，强调了动力学建模在提高生产...
双足机器人控制框架，基于非线性 MPC 和 WBC.zip
01-12
双足机器人控制框架，基于非线性 MPC 和 WBC 资源内项目源码是均来自个人的课程设计、毕业设计或者具体项目，代码都测试ok，都是运行成功后才上传资源，答辩评审绝对信服的，拿来就能用。放心下载使用！源码、说明、...
【科研案例】加州大学伯克利分校大牛Pieter Abbeel团队又出大招，H1人形机器人可以这么研究？（文末附期刊论文）
lom2m6ve的博客
04-30 2163
加州大学伯克利分校提出了一个高维模拟机器人学习基准HumanoidBench。并把该项目研究的详细内容已经发表在ArXiv期刊上。
MPC和WBC步态控制（以人形机器人控制为例）
qq_45488834的博客
09-01 2268
最优控制在实际应用中有很广泛的应用，例如在自动驾驶汽车中，通过优化车辆的加速度和转向角度，使其在规定的时间内安全地到达目的地；在制造业中，通过调整生产线的控制参数，实现生产效率的最大化；随着技术的进步，MPC和WBC等先进的控制策略被广泛应用于人形机器人的运动控制中，极大地提升了机器人的性能。模型预测控制是一种基于模型的控制策略，它通过预测未来一段时间内的系统状态和控制输入，来优化当前时刻的控制输出。在这一步中，MPC会根据当前的状态信息和预定的目标状态，通过求解一个优化问题来计算一系列未来的控制输入。
全身控制（Whole-Body Control，WBC）简化版
xiaoc100200的博客
06-08 2419
WBC是一种集成了多种控制策略的方法，旨在同时控制人形机器人的多个自由度（DOF），以实现复杂的运动和任务。WBC通常通过优化来解决，同时考虑到运动任务、动态平衡、接触力以及机械约束等多个因素。通过这个示例，可以看到如何使用WBC方法来控制人形机器人完成复杂的运动任务。实际应用中，WBC需要结合机器人的实际动力学模型和更多的物理约束条件，通过不断的优化求解来实现机器人的稳定控制和精确运动。定义机器人要完成的任务，比如保持平衡、行走、抓取物体等。每个任务通常被表示为一个约束条件或目标函数。
MIT四足机器人控制方案理解笔记（3）——Mini Cheetah 19年的MPC+WBC控制方案
Wincoding的博客
08-19 8221
2019年，MIT在Mini Cheetah上采用了MPC+WBC的控制方案，论文《Highly Dynamic Quadruped Locomotion via whole-body impulse control and model predictive control》中称加入WBC后Mini的最高运动速度由18年只采用MPC时的2.45m/s增加到19年的3.7m/s。 笔者这几天看了下Mini上的WBC，在此处谈谈自己一些粗浅的理解，如有错误，请各位指正。 mini上所用的MPC与Chee
四足机器人MPC+WBC方案
penuel
08-14 1157
四足机器人MPC+WBC方案 一、MPC: 系统方程： 状态变量：\(x_r = (h_{com}, q_b, q_j) \in R^{24}\), 包含6维质心点动量，6维机身位姿，3*4个关节角度 输入变量：\(u = (f_{c1}, ......, f_{c4}, v_j) \in R^{3*4+12}\), 包含4个腿末端的3维力，12个关节速度 动力学： 其中\(f_{ci}\)是4...
WBC学习笔记(一)：手推WBC公式
weixin_45728705的博客
10-19 7959
1.介绍：WBC控制器是当今足式机器人最常用的控制器之一。基于多任务不同的优先级，它可以控制关节电机使其按照优先级的顺序满足各个任务的需求。MIT开源的cheetah mini就用到了MPC+WBIC算法来控制落足点。 推导的过程参考了以下的资料 mini cheetah中WBC公式解析 基于零空间方法（NUB）的全身控制（WBC）的简单实现 Robot Dynamics Lecture Notes 由于本人能力有限，对于WBC控制器的理解还不够深，推导过程有误之处欢迎批评指正。 联系方式：22500170
2024 开放原子开发者大会人形机器人分论坛 | 从算法到实践：基于MPC与WBC的人形机器人运动控制的实现（下）
OpenLoong_的博客
01-10 1287
上篇文章概述了人形机器人运动控制技术的发展历程和现状，讲解了基于MPC与WBC的运动控制算法框架。国地中心已将该传统控制框架成功部署于实物，并开源了相关项目在 OpenLoong 动力学控制仓库中。本文将介绍 OpenLoong 动力学控制仓库的相关内容，展示仓库的讨论度与开发者案例，并对常见问题进行分析。
机器人动力学与控制_MIT四足机器人控制方案理解笔记（3）——Mini Cheetah 19年的MPC+WBC控制方案...
weixin_39625008的博客
11-26 2111
2019年，MIT在Mini Cheetah上采用了MPC+WBC的控制方案，论文《Highly Dynamic Quadruped Locomotion via whole-body impulse control and model predictive control》中称加入WBC后Mini的最高运动速度由18年只采用MPC时的2.45m/s增加到19年的3.7m/s。​笔者这几天看了下M...
介绍人形机器人WBC算法
02-22
### 人形机器人中的WBC算法 #### WBC算法简介 全身体动力学控制器（Whole Body Control, WBC）是一种用于多自由度复杂系统的高级控制方法，特别适用于像人形机器人这样拥有多个关节和接触点的系统。该类算法能够协调处理来自不同任务优先级的任务需求，在保持稳定性和高效执行动作的同时优化资源分配[^1]。 #### 工作原理 WBC通过构建一个多目标优化问题来解决复杂的运动规划挑战。具体来说： - **状态估计**：实时获取并融合传感器数据，包括但不限于IMU、力矩传感器以及视觉输入等，形成对外部环境及自身姿态的认知。 - **任务定义**：设定一系列期望达成的目标函数，这些目标可以涉及末端效应器的位置跟踪精度、重心位置维持范围等多个方面。 - **约束条件设置**：考虑物理极限如关节角度限位、驱动力矩上限等因素作为硬性限制加入求解过程之中。 - **优化求解**：采用二次规划(Quadratic Programming, QP)或其他适用的方法寻找满足上述所有要求的最佳解决方案集，并据此调整各伺服电机的动作指令以驱动实际硬件完成指定操作[^2]。 #### 实现流程 以下是利用Python伪代码展示的一个简化版WBC实现框架： ```python import numpy as np from scipy.optimize import minimize def wbc_controller(state_estimation, task_descriptions): """ Whole body controller implementation. Parameters: state_estimation (dict): Current robot states and sensor readings. task_descriptions (list of dict): Desired tasks with their priorities. Returns: joint_torques (np.ndarray): Optimal torques to apply on each joint. """ # Define objective function based on given tasks def cost_function(torque_vector): total_cost = 0.0 for task in task_descriptions: error = compute_task_error(task['target'], current_state) weight_matrix = get_weighting_matrix(task['priority']) total_cost += np.dot(error.T @ weight_matrix, error) return total_cost initial_guess = ... # Initial guess for the optimization problem bounds = [...] # Joint torque limits defined by hardware specs constraints = (...) # Physical limitations such as friction cones or contact forces result = minimize(cost_function, initial_guess, method='SLSQP', jac=True, options={'disp': False}, bounds=bounds, constraints=constraints) optimal_joint_torques = result.x return optimal_joint_torques ``` 此段代码仅提供了一个概念性的指导思路，真实应用场景下的实现会更加复杂且依赖具体的平台特性与开发工具链的支持[^3]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值