《欠驱动机器人》课程笔记一 Introduction

本系列博客主要参考drake在2023年春季的《Underactuated Robotics》视频课，以及他的笔记。主要是记录他对于控制的概念以及思考。
参考资料：Underactuated Robotics (mit.edu)
(6条消息) 欠驱动机器人学-麻省理工学院开放课程-MIT 6.832: Underactuated Robotics（译）_zhangrelay的博客-CSDN博客
欠驱动机器人控制算法学习 - 知乎 (zhihu.com)

1. 课程的简单介绍和目标

介绍三种常见的欠驱动模型。

1.1 Honda’s ASIMO vs. passive dynamic walkers

ASIMO走路的样子有点像一个不熟悉自己动态的人。它的控制系统使用高增益反馈，因此相当大的关节扭矩，以抵消机器的自然动力学，并严格遵循期望的轨迹。这种控制方法带来了严厉的惩罚。ASIMO使用的能量大约是人类在平地上行走所用能量的20倍（按运输成本衡量）。

Recent_Advances_in_Electrical_Engineering_and_Related Sciences_Theory_and_Application

高增益反馈（high gain）

什么是高增益反馈？

一种用来解决含有未知项（参数未知或者干扰未知）的系统稳定问题。

在闭环控制中，足够高的增益使系统中任何参数的变化都可以忽略不计。通过高增益将系统特性和环境特性给覆盖掉，但同时，系统的系统特性和环境特性给覆盖掉了。

(1 封私信 / 4 条消息) 控制理论中到底什么是high gain control？ - 知乎 (zhihu.com)

1.2 Birds vs. modern aircraft

现代飞机在静止空气中的稳定水平飞行是非常有效的。螺旋桨非常有效地产生推力，并且今天的弧形翼型在速度和/或效率方面进行了高度优化。

但是，像ASIMO一样，这些机器大多局限于非常保守的低迎角飞行状态，在这种状态下，机翼上的空气动力学是很好理解的。鸟类经常在这个飞行包线之外执行机动（例如，当它们降落在栖木上时），并且在利用空中能量（例如，风）方面比我们最好的飞机有效得多。

1.3 Manipulation

家里有意义的任务。诚然，家用机器人的感知问题（使用传感器来检测/定位物体并理解场景）是非常困难的。但是，即使我们有一个完美的感知系统，我们的机器人仍然有很长的路要走，以执行基本的对象操作任务与人类的灵巧性和多功能性。

1.4 The common theme

机器人的经典控制技术是基于这样一种思想，即反馈可以用来超越我们机器的动力学。

为了使我们的机器人实现出色的动态性能（高效，快速性和鲁棒性），我们必须充分利用动力学的优势，而不是将他们抵消掉。

2. Definitions

二阶控制动力系统的一般形式是：

$$\ddot{\mathbf{q}}=\mathbf{f}(\mathbf{q},\dot{\mathbf{q}},\mathbf{u},t),$$

$q $状态变量；$\dot q$状态变量； $u$状态变量是控制变量；$t$是时间；

2.1 Underactuated Cotrol Differential Equations

$$\ddot{\mathbf{q}}=\mathbf{f}(\mathbf{q},\dot{\mathbf{q}},\mathbf{u},t)$$

全驱动： 在某一时间 和 $x=(q,\dot{q})$时，如果 $f$ 是满射，每一个 $\ddot{q}$ 都存在一个理想的控制变量 $u$ .

否则，就是欠驱动。

单射(1-1,injection)，满射(onto, surjection)，双射(bijection)

单射（injection）： 如果一个函数 $f:A\to B$ 是单射，那么对于不同的 $ a1, a2 ∈ A$，如果 $f(a1)=f(a2)$，则必须有 $a1=a2$ ，即不同的源元素映射到了不同的目标元素。这可以保证每个目标元素都只对应一个源元素。

满射（surjection）：如果一个函数 $f:A\to B$ 是满射，那么对于任意 $b\in B$ ，都存在至少一个 $a\in A$ ，使得 $f(a)=b$。换句话说，函数$f$ 将整个目标集合 $B$ 映射到，没有任何一个元素被"遗漏"。

双射（bijection）：当一个函数既是单射又是满射的时候。

我们关心的许多动力学在指令扭矩下都是仿射的：

$$\ddot{\mathbf{q}}={\mathbf{f}}_1(\mathbf{q},\dot{\mathbf{q}},t)+{\mathbf{f}}_2(\mathbf{q},\dot{\mathbf{q}},t)\mathbf{u}.$$

如果我们能够得出：

$$\mathrm{rank}\left[{\mathbf{f}}_2(\mathbf{q},\dot{\mathbf{q}},t)\right]<\dim [\mathbf{q}]$$

这是系统是 欠驱动系统 。

2.2 Example(Robot Manipulators)

该系统的动力学方程是：

$$\mathbf{M}(\mathbf{q})\ddot{\mathbf{q}}+\mathbf{C}(\mathbf{q},\dot{\mathbf{q}})\dot{\mathbf{q}}={\tau }_g(\mathbf{q})+\mathbf{Bu}.$$

$M(q)$是惯量矩阵，并且总是一直对称且正定的，所以它是可逆的。

$$\ddot{\mathbf{q}}={\mathbf{M}}^{-1}(\mathbf{q})\left[{\tau }_g(\mathbf{q})+\mathbf{Bu}-\mathbf{C}(\mathbf{q},\dot{\mathbf{q}})\dot{\mathbf{q}}\right].$$

当 $q=[{\theta }_1,{\theta }_2{]}^T$, $u=[{\tau }_1,{\tau }_2{]}^T$, $B=I_{2x2}$, 系统是完全驱动的。

当 $u={\tau }_2$, $B=[0,1{]}^T$时， 只有肘关节处有驱动，而肩关节那里没有驱动器。

3. 反馈等效（FeedBack Equivalence）

对于全驱动系统，考虑潜在的非线性反馈控制

$$\begin{gathered} \mathbf{u}=\pi (\mathbf{q},\dot{\mathbf{q}},t)={\mathbf{f}}_2^{-1}(\mathbf{q},\dot{\mathbf{q}},t)\left[{\mathbf{u}}^{\prime }-{\mathbf{f}}_1(\mathbf{q},\dot{\mathbf{q}},t)\right] \\ \ddot{q}=u^{\prime } \end{gathered}$$

$u^{\prime }$是新的控制输入，同时 $\ddot{q}=u$.

但是，欠驱动系统的反馈不能等价于$\ddot{q}=u$.

4. 输入约束以及状态约束 (Input and State Constraints)

4.1 Definition （Input and State Constraints）

受到约束的动态系统可以描述为：

$$\begin{gathered} \dot{\mathbf{x}}=f(\mathbf{x},\mathbf{u},t) \\ \varphi (\mathbf{x},\mathbf{u},t)\ge 0 \end{gathered}$$

4.2 Nongolonomic constraints(非完整约束)

简单来说，一个非完整约束的形式为

$$\varphi (\mathbf{q},\dot{\mathbf{q}},t)=0$$

而不能将其转化完整约束的形式：

$$\varphi (\mathbf{q},t)=0$$

非完整约束不约束系统可能的构型，而是约束这些构型可以到达的形式。完整约束可以减少系统的自由度，但是非完整约束不会减少系统的自由度。

4.2.1 Example Wheeled robot

该系统受到防止侧滑的差动约束为：

$$\begin{gathered} \begin{array}{c}\dot{x}=v\cos \theta \\ \dot{y}=v\sin \theta \\ v=\sqrt{{\dot{x}}^2+{\dot{y}}^2}\end{array} \\ \dot{y}\cos \theta -\dot{x}\sin \theta =0. \end{gathered}$$

这些约束不能集成到构型约束中—汽车可以到达任何的构型（$x,y,\theta$）, 它只是不能直接侧向移动，所以这是一个非完整的约束。

轮式车辆上的非完整约束，如无侧滑约束，必然导致欠驱动系统。相反的情况不一定是正确的，双摆系统是欠驱动，但通常不会被称为非完整系统。

如有不足之处，欢迎大家批评指正！