Learning Dynamic Swing-Up of an Inverted Pendulum using Remote Magnetic Actuation
University of Zurich(苏黎世大学);ETH Zurich(苏黎世联邦理工学院);University of Strasbourg(斯特拉斯堡大学)
针对电磁导航系统在远离平衡态轨迹跟踪中的空白,提出结合轨迹优化、时变LQR和迭代学习控制的方法,首次实现倒立摆的磁驱动摆动控制,六次迭代成功,并验证了ILC校正与高保真磁场模型预测的扭矩偏差高度吻合。
2026-06-15 cs.RO cs.SY eess.SY
Hierarchical Optimization for Whole-Body Control of Wheeled Inverted Pendulum Humanoids
Institute of Robotics and Intelligent Machines(机器人与智能机构研究所)
本文提出了一种用于轮式倒立摆人形机器人的全身控制框架,通过分层优化方法实现多任务的同时执行,同时考虑关节角度和扭矩限制,以提高整体性能。
2018-10-07 cs.RO cs.SY eess.SY
Stair Climbing using the Angular Momentum Linear Inverted Pendulum Model and Model Predictive Control
针对上下楼梯时质心高度变化和落脚受限问题,提出可变虚拟摆长的 ALIP 变体,并结合虚拟约束控制与 MPC,实现 Cassie 双足机器人的周期性爬楼步态。
2023-07-11 cs.RO cs.SY eess.SY
Designing and Analyzing the PID and Fuzzy Control System for an Inverted Pendulum
Universitat Rovira I Virgili(罗维拉·依维尔基里大学);University of Debrecen(德布勒森大学)
倒立摆是一个非线性的不平衡系统,需要使用电机控制,以实现稳定和平衡。倒立摆是用乐高和乐高Mindstorm NXT建造的,这是一个能够完成许多不同功能的可编程机器人。在本文中,倒立摆的初步设计提出了不同的传感器,这是兼容的乐高Mindstorm NXT的性能进行了研究。此外,计算机视觉的能力,以实现所需的稳定性,以保持系统也进行了研究。倒立摆是一种传统的小车,采用模糊逻辑控制器对小车进行控制,通过MATLAB和Simulink对模糊逻辑和PID进行仿真,并在LabVIEW中开发了机器人控制程序。
2021-11-09 cs.CV cs.RO
Stabilization of the wheeled inverted pendulum on a soft surface
研究了轮式倒立摆在水平、倾斜和软地面上的比例-积分-微分控制器控制下的动力学行为。在动力系统的相图上给出了控制的振荡区域和稳定性条件。特别地,我们研究了软曲面上运动的微分包含,并在我们的数学模型中找到了半稳定的稳态解。由于数值模拟的舍入误差或机器人设备的外部扰动,半稳定性在模拟中看起来像极限环。
2020-06-09 cs.RO math.DS nlin.CD
A Hybrid Approach for Reinforcement Learning Using Virtual Policy Gradient for Balancing an Inverted Pendulum
Center for Research in Scientific Computation, North Carolina State University(北卡罗来纳州立大学科学计算研究中心)
利用策略梯度算法,我们训练了一个单隐层神经网络来平衡一个物理上精确的模拟单级倒立摆。然后,训练好的权重和偏差可以转移到一个物理代理,在那里它们足够强大,可以平衡一个真正的倒立摆。这种训练模拟的混合方法可以比现实世界中更快地完成数千次试运行,从而大大减少训练时间和更多迭代,产生更强大的模型。与现有的强化学习方法相比,所得到的控制更平滑,学习速度更快,并且能够承受强制干扰。
2021-02-06 cs.LG cs.RO
Online Center of Mass Estimation for a Humanoid Wheeled Inverted Pendulum Robot
本文提出了一种新颖的鲁棒控制与在线学习结合的方法,用于平衡具有n自由度的轮式反重力摆人形机器人,通过在线学习更新质量模型以获得更准确的质心估计,实验表明该方法提升了整体控制效率。
2019-05-14 cs.LG cs.RO cs.SY
Biped Stabilization by Linear Feedback of the Variable-Height Inverted Pendulum Model
ANYbotics AG(ANYbotics股份公司);University of Montpellier(蒙彼利埃大学);CNRS(法国国家科学研究中心)
变高度倒立摆(VHIP)模型,使一个新的平衡策略,除了众所周知的脚踝策略的质心的高度变化。我们提出了一种基于线性反馈的VHIP稳定器,该稳定器易于实现,与小扰动的最新技术相吻合,并且由于这种新策略,能够从较大的扰动中恢复。该解决方案是基于“尽力而为”极点配置的4D发散运动的VHIP输入可行性和状态生存能力的约束下的组成部分。我们补充它与一个合适的全身导纳控制法和HRP-4人形机器人上测试所得的稳定。
2020-03-30 cs.RO
Structure-Preserving Constrained Optimal Trajectory Planning of a Wheeled Inverted Pendulum
Systems and Control Engineering(系统与控制工程)
本文研究了轮式倒置摆的约束最优轨迹规划问题,通过离散力学推导了离散时间模型,并利用离散时间约束最优控制问题生成最优轨迹,同时设计了非线性连续时间模型和闭环LQ控制器,通过实验验证了非线性模型和控制方案的有效性。
2019-10-02 cs.RO cs.SY eess.SY
Artificial Wrestling: A Dynamical Formulation of Autonomous Agents Fighting in a Coupled Inverted Pendula Framework
Utsunomiya University(宇都宫大学);Yuhara Mfg Co., Ltd(汤原制造有限公司)
本文提出基于耦合倒立摆框架的自主代理对抗模型,通过动态控制器存储状态对应关系并生成控制力,实验表明延迟元素和量化分辨率影响性能。
2015-10-20 cs.RO cs.SY eess.SY
TWIMP: Two-Wheel Inverted Musculoskeletal Pendulum as a Learning Control Platform in the Real World with Environmental Physical Contact
The University of Tokyo(东京大学)
本研究提出了一种结合仿人肌骨上肢与双轮倒立摆的新型仿人机器人TWIMP,旨在利用其柔软接触与高机动性优势,作为现实世界中包含物理接触和冲击环境下的学习控制平台,并通过初步实验验证了其潜力。
2024-04-22 cs.RO
A Q-learning approach to the continuous control problem of robot inverted pendulum balancing
University of Coimbra(科英布拉大学)
本文提出用离散动作空间Q-learning解决机器人倒立摆连续控制问题,通过在基于真实数据拟合的仿真环境中训练,并在真实机器人上验证了方法的可行性。
2023-12-05 cs.LG cs.RO
Comparison Study of Well-Known Inverted Pendulum Models for Balance Recovery in Humanoid Robot
IEETA(电子与信息工程研究院);University of Aveiro(阿威罗大学)
双足机器人由于其复杂的运动学和高维的状态空间动力学而基本上是不稳定的,因此稳定行走的控制和生成是一个复杂的课题,并且仍然是机器人界的活跃课题之一。如今,有许多类人机器人执行稳定的行走,但很少有在推动下表现出有效的推动恢复。在本文中,我们首先回顾了更常用的抽象动力学模型的人形机器人,这是基于倒立摆,并显示这些模型可以用来提供行走的人形机器人,以及如何分层控制结构可以淡化人形行走的复杂性。其次,审查模型一起比较,不仅在分析的方式,但也通过执行几个数值模拟中的推恢复的情况下,使用\mbox{MATLAB}。这些理论和模拟研究定量比较这些模型恢复平衡。结果表明,增强版的线性倒立摆加飞轮是最有能力的动力学模型,以恢复稳定的机器人,即使在非常具有挑战性的情况下。
2019-06-05 cs.RO
Instantaneous Capture Input for Balancing the Variable Height Inverted Pendulum
Southern University of Science and Technology(南方科技大学);University of Notre Dame(圣母大学)
平衡是足式机器人的基本需求,因为它们的不稳定的浮基性质。由于瞬时捕获点(ICP)的概念,平衡控制已被深入研究的简单模型,如线性倒立摆,但恒定的质心高度假设限制了应用。本文通过引入\emph{instantaneous capture input}(ICI)来研究变高度倒立摆(VHIP)模型的平衡问题。也就是说,ICI可以被计算为状态的函数,并且当该函数被用作控制策略时,ICI被呈现为静止的,并且系统将最终停止。这种表征诱导了VHIP的可捕获状态的分析区域,其可用于在概念上指导步骤。为了进一步解决恢复过程中的状态和控制约束,我们提出并理论分析了一个显式ICI为基础的控制器与在线最优反馈增益。仿真结果表明,我们的控制器的有效性相比,基于运动的发散分量的方法的可捕获性维护。
2021-07-06 cs.RO
Dynamic Walking over Rough Terrains by Nonlinear Predictive Control of the Floating-base Inverted Pendulum
CNRS-UM2 LIRMM(法国国家科学研究中心-蒙彼利埃第二大学计算机科学、机器人及微电子学实验室);CNRS-AIST Joint Robotics Laboratory (JRL)(法国国家科学研究中心-产业技术综合研究所联合机器人实验室)
我们提出了一个实时模式发生器的动态行走在粗糙的地形。我们的方法自动发现步骤持续时间,一个关键问题,在粗糙的地形,它们依赖于地形拓扑结构。为了达到这种程度的通用性,我们考虑一个浮动基地倒立摆(FIP)模型,其中的质量中心可以自由平移和零倾斜力矩点被允许离开接触面。该模型等价于一个质心高度可变的线性倒立摆,但其运动方程保持线性。我们的解决方案,然后遵循三个步骤:(i)我们的特点的FIP接触稳定性条件;(ii)我们计算前馈控制通过解决一个非线性优化滚动时域FIP轨迹。尽管以模型预测的方式以30 Hz运行,但模拟显示后者太慢,无法稳定动态运动。为了解决这个问题,我们(iii)将FIP反馈控制线性化为以300 Hz运行的约束线性二次调节器。最后,我们证明了我们的解决方案在模拟HRP-4人形机器人的模型,包括噪音和延迟超过状态估计和脚力控制。
2017-07-25 cs.RO
Controlling an Inverted Pendulum with Policy Gradient Methods-A Tutorial
Edge Hill University(边山大学)
本文提供了两个重要的策略梯度方法来解决倒立摆问题的实施细节。它们即是深度确定性策略梯度(DDPG)和近端策略优化(PPO)算法。该问题通过使用行动者-批评者模型来解决,其中行动者网络用于学习策略函数,批评者网络通过学习估计Q函数来评估行动者网络。除了简要解释这两个算法背后的数学,还提供了python实现的细节,这有助于揭开算法潜在复杂性的神秘面纱。在这个过程中,读者将被介绍到用于实现上述概念的OpenAI/Gym,Tensorflow 2.x和Keras实用程序。
2021-05-17 cs.AI cs.LG cs.RO
DRS-LIP: Linear Inverted Pendulum Model for Legged Locomotion on Dynamic Rigid Surfaces
University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校);NVIDIA Research(英伟达研究);Princeton University(普林斯顿大学);Department of Mechanical Engineering, University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校机械工程系)
足式机器人在动态刚性表面上的运动(即,在惯性系中运动的刚性表面)涉及高维、非线性和时变的复杂全阶动力学。为了得到一个易于分析的动力学模型,本研究从理论上扩展了降阶线性倒立摆(LIP)模型,从腿运动在一个固定的表面上的运动的动态刚性表面(DRS)。所得到的模型在本文中被称为DRS-LIP。此外,本研究介绍了一个近似的解析解的建议DRS-LIP,计算效率高,精度高。为了说明分析结果的实际用途,它们被用来开发一个层次规划框架,有效地生成物理上可行的DRS运动轨迹。所提出的理论结果和运动规划的有效性证明了通过模拟和实验上的Laikago四足机器人,走在摇摆跑步机。
2022-01-31 cs.RO
Optimal Control of a Differentially Flat 2D Spring-Loaded Inverted Pendulum Model
Southern University of Science and Technology(南方科技大学);University of Notre Dame(圣母大学)
研究了一个带有两个附加驱动器的扩展弹簧倒立摆(SLIP)模型的最优控制问题。这些附加功能在实践中自然出现,允许在飞行期间考虑摆动腿运动学和对站立动力学的主动控制。另一方面,非线性和混合性质的整体SLIP动态引入的模型的分析和控制的挑战。在本文中,我们首先表明,所考虑的SLIP模型的立场动力学是差分平坦的,这有很强的含义关于立场动力学的可控性。利用这个强大的属性,一个易处理的最优控制策略的开发。这种策略使在线解决方案,同时也处理混合性质的SLIP动态。与最优控制策略一起,扩展的SLIP模型在步态期间的任何点授予自抗扰能力。所提出的控制策略的性能通过数值试验证明,并显示出显着的优势,比现有的方法。
2019-11-17 cs.RO
Contingency Model Predictive Control for Bipedal Locomotion on Moving Surfaces with a Linear Inverted Pendulum Model
Motional AD, LLC(Motional AD有限责任公司);Rutgers University(罗格斯大学)
针对移动表面上双足行走的平衡控制难题,提出基于线性倒立摆模型的应急模型预测控制(CMPC),通过纳入最坏情况表面运动,在仿真中验证了其优于常规MPC的可行性与性能。
2024-04-18 cs.RO
0-Step Capturability, Motion Decomposition and Global Feedback Control of the 3D Variable Height-Inverted Pendulum
一种常见的方法稳定机器人后推是瞬时捕获点,然而,这有假设恒定高度的基本限制。虽然有几个作品平衡双足机器人,包括高度变化的2D,3D模型的文献数量是有限的。存在使用可变压力中心(CoP)和对地面的反作用力的优化方法,尽管它们不提供机器人可以步进的物理区域并且需要预先计算以进行分析。这项工作提供了必要和充分的条件,以保持平衡的三维可变高度倒立摆(VHIP)与固定和可变的CoP。我们还证明了具有固定CoP的3D VHIP与其2D版本相同,并且我们将工作在2D VHIP上的控制器推广到3D VHIP。我们还展示了运动的发散分量到3D VHIP的泛化,并且我们提供了一种替代运动分解,用于独立地分析高度和CoP策略。这使我们能够将先前在2D VHIP中完成的全局反馈控制器推广到具有可变CoP的3D VHIP。
2019-12-12 cs.RO
Optimizing Design and Control of Running Robots Abstracted as Torque Driven Spring Loaded Inverted Pendulum (TD-SLIP)
University at Buffalo(布法罗大学)
本文利用力矩驱动弹簧负载倒立摆模型抽象腿式机器人,推导稳定约束,并通过粒子群优化形态参数和执行器配置,实现小型跑步机器人的稳健设计。
2024-07-16 cs.RO
Extending The Lossy Spring-Loaded Inverted Pendulum Model with a Slider-Crank Mechanism
Bilkent University(比尔肯特大学);Middle East Technical University(中东理工大学)
弹簧加载倒立摆(SLIP)模型在描述动物和人类的运动行为方面有着悠久的历史,并已被用作具有动态运动能力的机器人的设计基础。对有耗物理系统的SLIP进行验证,产生了更新的模型,这些模型是在腿部具有粘性阻尼的原始SLIP的扩展版本。然而,这种有损模型需要一个额外的机制,泵送能量的系统,以控制运动,并达到极限环。一些研究通过在髋关节处添加主动可控的扭矩致动来解决这个问题,并且这种致动已经成功地用于许多机器人平台,例如流行的RHex机器人。然而,髋部扭矩致动主要在相对于地面的向前方向上在COM上产生力,使得高度控制具有挑战性,特别是在低速下。当机器人的水平速度为零时,即机器人在水平方向上不作运动而稳定跳跃时,系统的垂直方向自由度完全丧失,系统将陷入奇异状态。为此,我们提出了具有曲柄滑块机构的有损SLIP模型的扩展,即SLIP-SCM,当身体被约束到垂直方向时,它可以产生稳定的极限环。我们提出了一个近似解析解的非线性系统动力学的SLIP-SCM模型,以描述其行为的运动过程中。最后,我们使用我们的近似解析解对SLIP-SCM模型进行了不动点稳定性分析,并表明所提出的模型在我们感兴趣的范围内表现出稳定的行为。
2015-06-05 cs.RO
Beyond Inverted Pendulums: Task-optimal Simple Models of Legged Locomotion
University of Pennsylvania(宾夕法尼亚大学);Shanghai Jiao Tong University(上海交通大学);UM-SJTU Joint Institute(上海交通大学密西根大学联合学院);General Robotics, Automation, Sensing and Perception (GRASP) Laboratory(通用机器人、自动化、感知与操作实验室(GRASP实验室))
本文提出一种面向用户指定任务分布与代价函数的降阶模型自动优化算法,并在双足机器人 Cassie 上验证,显著降低力矩代价并提升行走速度。
2024-04-03 cs.RO
Novel Non-Prehensile Rolling Problem: Modelling and Balance Control of Pendulum-Driven Reconfigurable Disks Motion with Magnetic Coupling in Simulation
Geometric Mechanics and Mechatronics (gm 2 R) Lab, the School of Engineering, Cardiff University(几何力学与机电实验室,工程学院,卡迪夫大学)
本研究提出一种带内部驱动磁摆耦合机构的模块化滚动机器人,推导其非线性动力学模型,通过仿真分析运动特性与平衡控制,提出新抬升模式,为模块化自重构机器人的非抓取运动控制研究提供支撑。
2024-11-06 cs.RO cs.SY eess.SY
Oscillation Damping Control of Pendulum-like Manipulation Platform using Moving Masses
Institute of Robotics and Mechatronics, German Aerospace Center (DLR), Wessling, Germany(机器人与机电研究所,德国航空航天中心(DLR),德国韦斯林);Chair of Automatic Control Engineering, Technical University of Munich (TUM), Munich, Germany(自动控制工程系,慕尼黑技术大学(TUM),德国慕尼黑);Fortiss Institute, Munich, Germany(Fortiss研究所,德国慕尼黑)
本文提出了一种通过在平台上安装移动质量来抑制机器人操作臂悬挂平台振动的方法,通过合理设计移动质量的参考加速度实现平台的渐近稳定性,同时克服了欠驱动带来的挑战。
2018-09-24 cs.RO cs.SY eess.SY
A Comparison of Reward Functions in Q-Learning Applied to a Cart Position Problem
University of Waterloo(滑铁卢大学)
强化学习的不断发展导致了控制理论的进步。强化学习已经有效地解决了倒立摆问题,最近又解决了双倒立摆问题。在强化学习中,我们的智能体通过与控制系统交互来学习,目标是最大化奖励。在本文中,我们探讨了三个这样的奖励功能在车的位置问题。本文的结论是,一个不连续的奖励函数,给予非零奖励的代理人,只有当他们是在一个给定的距离从期望的位置给出了最好的结果。
2021-05-25 cs.AI cs.LG cs.RO
Capturability-based Pattern Generation for Walking with Variable Height
Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier (LIRMM)(蒙彼利埃信息学、机器人学与微电子实验室(LIRMM));CNRS(法国国家科学研究中心);University of Montpellier(蒙彼利埃大学);CNRS-AIST Joint Robotics Laboratory (JRL)(法国国家科学研究中心-产业技术综合研究所联合机器人实验室(JRL));Sapienza Università di Roma(罗马第一大学);Laboratoire Analyse, Géométrie et Applications (LAGA)(分析、几何与应用实验室(LAGA));Paris 13 University(巴黎第十三大学)
线性倒立摆(LIP)模型的可捕获性分析,使步行与约束的高度的基础上的捕获点。我们将这种分析推广到可变高度倒立摆(VHIP),并展示了它如何根据捕获输入在不平坦的地形上实现3D行走。由于一个定制的优化方案,我们可以计算这些输入足够快的实时模型预测控制。我们将这种方法实现为开源软件,并在动态模拟中演示。
2018-10-25 cs.RO math.OC
SLIP Walking over Rough Terrain via H-LIP Stepping and Backstepping-Barrier Function Inspired Quadratic Program
California Institute of Technology(加州理工学院)
我们提出了一种先进的和新颖的控制方法,使驱动弹簧加载倒立摆模型,以走过粗糙和具有挑战性的地形。高层次的哲学是纵向和横向状态控制的解耦。垂直状态通过基于Backstepping-Barrier Function(BBF)的二次规划来控制:控制李雅普诺夫反推和控制障碍函数的组合,这两者都提供对输入的不等式约束。水平状态通过基于混合线性倒立摆(H-LIP)的步进来稳定,其具有封闭形式的公式。因此,该实施方式在计算上是高效的。我们评估我们的方法在模拟中,这表明在各种地形,包括斜坡,楼梯,和一般粗糙的地形与不确定性的aSLIP行走。
2021-02-19 cs.RO
Zero Dynamics, Pendulum Models, and Angular Momentum in Feedback Control of Bipedal Locomotion
University of Michigan(密歇根大学)
低维模型在双足机器人文献中无处不在。一方面是研究人员的社区,反馈控制设计的基础上选择的钟摆模型,以捕捉机器人在行走过程中的质心动力学。另一方面是将反馈控制设计建立在虚拟约束基础上的群体,虚拟约束在闭环系统中引入了精确的低维模型。在第一种情况下,低维模型的价值在于其物理洞察力和分析易处理性。在第二种情况下,低维模型是不可或缺的一个严格的分析,在全维模型的机器人行走步态的稳定性。本文旨在澄清的共性和差异,在这两个角度使用低维模型。在这样做的过程中,我们认为,角动量的接触点是一个更好的指标,机器人状态比线速度。具体地说,我们表明,一个近似的(摆和零动力学)模型参数化的角动量提供了更好的预测脚放置在一个物理机器人(例如,具有质量的腿)比根据线速度参数化的相关近似模型更有效。我们实现了一个相关的角动量为基础的控制器Cassie,一个3D机器人,并在实验中表现出很高的灵活性和鲁棒性。
2022-02-03 cs.RO cs.SY eess.SY
Optimal Reduced-order Modeling of Bipedal Locomotion
University of Pennsylvania(宾夕法尼亚大学)
腿部运动的最新方法广泛依赖于线性倒立摆(LIP)和弹簧加载倒立摆(SLIP)等模型的使用,这些模型很受欢迎,因为它们的简单性使各种工具能够用于规划,控制和分析。然而,它们不可避免地限制了执行复杂任务或敏捷机动的能力。在这项工作中,我们的目标是自动合成模型,保持低维,但保留的高维系统的能力。例如,如果要将小程度的复杂性恢复到LIP、SLIP或类似模型,则我们的方法会发现优化性能的额外复杂性的形式。在本文中,我们定义了一类降阶模型,并提供了一个算法优化这一类。为了证明我们的方法,我们优化模型的步行速度和地面倾斜的范围内,五连杆模型和Cassie双足机器人。
2019-09-23 cs.RO
Bridging the Model-Reality Gap with Lipschitz Network Adaptation
University of Toronto(多伦多大学);Vector Institute for Artificial Intelligence(向量人工智能研究院)
当机器人冒险进入现实世界时,它们会受到未建模的动力学和干扰。传统的基于模型的控制方法已被证明在相对静态和已知的操作环境中是成功的。然而,当机器人的精确模型不可用时,基于模型的设计可能导致次优甚至不安全的行为。在这项工作中,我们提出了一种方法,弥合模型与现实的差距,使基于模型的方法的应用程序,即使存在动态的不确定性。特别是,我们提出了一种基于学习的模型参考自适应方法,使机器人系统,可能不确定的动态,表现为一个预定义的参考模型。反过来,参考模型可以用于基于模型的控制器设计。与典型的模型参考自适应控制方法相比,我们利用神经网络的代表性力量来捕获高度非线性动态不确定性,并通过在一种特殊类型的神经网络的结构设计中编码一个验证Lipschitz条件来保证稳定性。我们的方法适用于一般类的非线性控制仿射系统,即使我们的先验知识的真实机器人系统是有限的。我们展示了我们的方法在飞行倒立摆实验,其中一个现成的四旋翼面临的挑战是平衡倒立摆,而悬停或跟踪圆形轨迹。
2021-12-07 cs.AI cs.RO cs.SY
Raspi$^2$USBL: An open-source Raspberry Pi-Based Passive Inverted Ultra-Short Baseline Positioning System for Underwater Robotics
State Key Laboratory of Ocean Sensing, Ocean College of Zhejiang University(浙江省海洋传感重点实验室,浙江大学海洋学院);School of Oceanography, Shanghai Jiao Tong University(上海交通大学海洋学院)
提出一种基于树莓派的低成本被动倒置超短基线定位系统,通过被动声学接收器和主动信标实现水下定位,在消声池、淡水湖和开放海域测试中达到0.1%斜距精度和0.1°方位角精度。
2026-06-16 cs.RO
Formal Connections between Template and Anchor Models via Approximate Simulation
University of Notre Dame(圣母大学)
线性倒立摆(LIP)和弹簧加载倒立摆(SLIP)等降阶模板模型是控制高维人形机器人的常用工具。然而,模板和全身模型之间的联系缺乏正式的基础,在集成控制器设计方面无法提供正式的保证。通过考虑近似模拟的概念,我们朝着解决这一差距迈出了一小步。从形式化方法中离散变迁系统的模拟关系出发,近似相似是指两个系统的输出保持$ε$ -接近。在本文中,我们考虑的情况下,通过规划与LIP模型的平衡控制。我们表明,平衡器近似模拟LIP和线性约束,保持地面接触的充分条件。这允许通过求解在完整模型中强制接触约束的二次规划来快速规划和重新规划模板模型。我们证明了这种规划和控制模式的有效性,在一个模拟的推恢复方案的平面4链路平衡器。
2019-09-20 cs.RO
A Momentum-Based Foot Placement Strategy for Stable Postural Control of Robotic Spring-Mass Running with Point Feet
在基于模型的运动控制中,一个长期存在的争论是关于模型应该定义一个行为(如跑步)的复杂程度。尽管人们经常寻求基于生物力学证据的金发女孩模型,但尚不清楚什么样的复杂程度才有资格成为这样的模型。这种困境进一步加深了双足机器人运行与点脚,因为这些机器人是欠驱动,而跟踪中心的质量(COM)的轨迹所定义的弹簧加载倒立摆(SLIP)运行模型分配所有的控制输入,离开角坐标的机器人的躯干不受控制。现有的工作在文献中的方法这个问题,无论是贸易关闭COM轨迹对直立躯干姿势在站立或采用更详细的模型,包括躯干角动力学的影响。在本文中,我们提出了一种新的方法的基础上修改脚放置目标的SLIP模型。理论分析和数值结果表明,该方法优于这些传统的策略。
2020-01-02 cs.RO cs.SY eess.SY
Design and Motion Analysis of a Reconfigurable Pendulum-Based Rolling Disk Robot with Magnetic Coupling
School of Engineering, Cardiff University(卡迪夫大学工程学院)
本文设计一种带磁耦合的摆式可重构滚盘机器人,通过磁阵列仿真等参数优化增强耦合并保持紧凑,运动分析揭示摩擦滑动导致的新模式。
2024-10-30 cs.RO
Critic PI2: Master Continuous Planning via Policy Improvement with Path Integrals and Deep Actor-Critic Reinforcement Learning
Nankai University(南开大学);Huawei Technologies(华为技术有限公司)
构建具有规划能力的智能体一直是人工智能的主要挑战之一。从AlphaGo到Muzero,基于树的规划方法在离散领域(如国际象棋和围棋)取得了巨大成功。不幸的是,在现实世界的应用,如机器人控制和倒立摆,其行动空间通常是连续的,这些基于树的规划技术将挣扎。为了解决这些限制,在本文中,我们提出了一种新的基于基于模型的强化学习框架,称为Critic PI 2,它结合了轨迹优化,深度演员-评论家学习和基于模型的强化学习的优点。我们的方法进行评估倒立摆模型,适用于许多连续控制系统。大量的实验表明,Critic PI 2在一系列具有挑战性的连续领域中达到了新的技术水平。此外,我们表明,规划与评论家显着提高了样本效率和实时性能。我们的工作开辟了一个新的方向,学习基于模型的规划系统的组成部分,以及如何使用它们。
2020-11-13 cs.LG cs.NE cs.RO
A Novel Method to Estimate Tilt Angle of a Body using a Pendulum
TVS Motor Company(TVS汽车公司)
本文提出一种利用摆锤作为惯性测量传感器、基于摆锤动力学和参数估计模型估计倾斜角的经济方法,并开发不同复杂度算法以减少Kalman滤波输入测量误差。
2022-02-01 cs.RO
Tracking Control for a Spherical Pendulum via Curriculum Reinforcement Learning
Technical University of Darmstadt(达姆施塔特工业大学);German Research Center for AI(德国人工智能研究中心);Centre of Cognitive Science(认知科学中心);Aalto University(阿尔托大学)
本文将自动课程构建算法与并行仿真RL结合,利用尊重非欧几里得结构的优化生成轨迹课程,为机械臂球面摆学习跟踪控制器,并在真实系统上达到最优控制基线性能。
2023-09-25 cs.LG cs.RO
Trajectory Generation for Quadrotor Based Systems using Numerical Optimal Control
Laboratory for Analysis and Architecture of Systems (LAAS)(系统分析与架构实验室);Centre National de la Recherche Scientifique (CNRS)(法国国家科学研究中心)
近年来,四旋翼飞行器的研究主要集中在越来越复杂的系统上越来越具有挑战性的任务上。系统通常增加了悬吊负载,倒置的扶手或手臂,并完成复杂的任务,如通过窗户,抓取,投掷或捕捉。通常,控制器被设计为使用解析解在特定系统上完成特定任务,因此每个应用都需要长时间的准备。另一方面,直接多重射击方法能够通过使用现成的优化求解器来解决复杂的问题,而无需任何分析开发。在本文中,我们表明,这种方法是能够解决广泛的问题相关的四旋翼系统,从在线轨迹生成的四旋翼,通过一个窗口的四旋翼和单摆系统,通过空中机械手的操作任务。
2016-02-08 cs.RO math.OC
How Crucial is Transformer in Decision Transformer?
Technical University of Darmstadt(达姆施塔特工业大学);German Research Center for AI (DFKI)(德国人工智能研究中心(DFKI));Hessian.AI & Centre for Cognitive Science(黑森人工智能与认知科学中心)
决策Transformer(DT)是最近提出的一种强化学习架构,它将决策过程框架为自回归序列建模问题,并使用Transformer模型来预测状态,动作和奖励序列中的下一个动作。在本文中,我们分析了Transformer模型在连续控制任务的完整DT架构中的重要性。也就是说,我们用LSTM模型替换Transformer,同时保持其他部分不变,以获得我们所说的决策LSTM模型。我们比较它DT连续控制任务,包括摆起和稳定,在模拟和物理硬件。我们的实验表明,DT斗争与连续控制问题,如倒立摆和古田摆稳定。另一方面,所提出的决策LSTM能够在这些任务上实现专家级性能,除了在真实系统上学习摆起控制器之外。这些结果表明,连续控制任务的决策Transformer的强度可能在于整体顺序建模架构,而不是在Transformer本身。
2022-11-26 cs.LG cs.RO
Model-based Reinforcement Learning with Parametrized Physical Models and Optimism-Driven Exploration
University of California, Berkeley(加州大学伯克利分校)
在本文中,我们提出了一个机器人基于模型的强化学习方法,结合模型识别和模型预测控制的想法。我们使用一个基于特征的动态表示,使动力学模型与一个简单的最小二乘程序,并从机器人的形态,包括其链接的数量和连接结构的高级别规格的功能被确定。然后,使用模型预测控制来选择在动态的乐观模型下的动作,这产生了有效的和目标导向的探索策略。我们提出了实时的的标准基准问题的实验结果,涉及摆,cartpole,和双摆系统。实验表明,我们的方法是能够学习一系列的基准任务大大快于以前的最佳方法。为了评估我们的方法在一个现实的机器人控制任务,我们还演示了实时的控制模拟7自由度的手臂。
2016-03-15 cs.LG cs.RO
Adaptive Risk Sensitive Model Predictive Control with Stochastic Search
Georgia Institute of Technology(佐治亚理工学院)
我们提出了一个通用的框架,优化的条件风险值的动力系统使用随机搜索。该框架能够处理来自初始条件、随机动态和模型中不确定参数的不确定性。该算法与风险敏感的分布式强化学习框架进行了比较,并在具有随机动态的钟摆和cartpole上表现出优异的性能。我们还展示了该框架的适用性,机器人作为一个自适应的风险敏感控制器,通过优化相对于完全非线性的信念,由粒子滤波器上的钟摆,cartpole,和四轴飞行器在模拟。
2021-02-12 cs.RO math.OC
Breaking speed scaling in quadrupedal robots via Huygens' coupled-pendulum dynamics
Center for X-Mechanics, Zhejiang University(浙江大学交叉力学中心);ZJU-Hangzhou Global Scientific and Technological Innovation Center(浙江大学杭州国际科创中心);Mirrorme Technology Co., Ltd.(魔镜科技有限公司)
受惠更斯耦合摆启发,通过利用肢体间惯性耦合降低峰值力矩,实现四足机器人10.74米/秒奔跑速度,突破速度缩放限制。
2026-09-15 cs.RO
Experimental Study on Reinforcement Learning-based Control of an Acrobot
Hamburg University of Technology(汉堡工业大学)
本文研究了使用强化学习控制Acrobot的角速度和总能量,通过嵌入式系统实验设计,实现了无驱动摆杆的振荡或完整旋转,并评估了状态空间离散化、回合长度、动作空间和驱动摆杆质量等参数变化对RL控制的影响。
2023-07-27 cs.LG cs.RO