日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
バランス制御arXiv:2611.04357

未知外乱下で車輪脚ロボットをバランス制御する移動ホライズン推定と拘束付きモデル予測制御

Moving Horizon Estimation and Constrained Model Predictive Control for Balancing a Wheel-Legged Robot Under Unknown Disturbances

シェア:XThreadsFacebookLINEはてブBluesky

ノイズや未知の外乱がある中で車輪脚ロボットのバランスを保つため、移動ホライズン推定(MHE)とオフセットフリーの拘束付きMPCを組み合わせ、シミュレーションでLQRより高い外乱耐性を示した論文。

詳しい要約

1. どんなもの？

- 9.95 kg の wheel-legged robot の sagittal balance を対象に、moving horizon estimator (MHE) と offset-free・制約付き model predictive controller (MPC) を組み合わせた制御手法の提案 - 実機ではノイズを含む inertial/encoder 計測のみ利用可能で、payload や wind など未知外乱を motor torque 制限内で抑える必要があるという課題設定 - 評価は MuJoCo 上のシミュレーションに限定

2. 先行研究と比べてどこがすごい？

- 比較対象は LQR ベースライン3種: ground-truth state を用いる LQR、complementary filter を用いる LQR、同一 MHE を用いる LQR - driving/squatting/reversing/bowing 系列で MPC+MHE は RMS speed error 0.11 m/s、ground-truth LQR は 0.24 m/s - 未知の 2 kg payload と 10 N headwind 下で wind 中の平均位置誤差 6 cm、ground-truth LQR は 81 cm - 3×4 の payload×headwind 格子で同一 estimator の LQR は 12 中 3 失敗、MPC は 12 中 1 失敗

3. 技術・手法の肝は？

- MHE は virtual-leg model に horizontal hip force、body pitch torque、gyroscope bias を拡張したモデルを使用 - accelerometer model から予測 hip acceleration を除去 - impact 検出時に process noise を増加 - MPC は offset-free かつ制約付きで、motor torque 制限を扱う - センサノイズ・bias・quantization・delay を模擬した MuJoCo 環境で評価

4. どうやって有効だと検証した？

- MuJoCo 上で simulated sensor noise、bias、quantization、delay を加えて評価 - driving、squatting、reversing、bowing を含む系列で RMS speed error を比較 - 未知 2 kg payload と 10 N headwind 下で平均位置誤差を比較 - 3×4 の payload×headwind 格子で失敗回数を比較 - 実機検証は未実施で future work と明記

5. 議論はある？

- 結果は flat ground 上のシミュレーションに限定され、hardware での experimental validation は future work - 実機のノイズ・遅延・衝撃をどこまで模擬できているかの議論は要旨からは不明 - 計算コストやリアルタイム性、MHE の horizon 設定に関する議論は要旨からは不明

6. 次に読むべき論文は？

- 本論文で比較されている LQR baseline（ground-truth state、complementary filter、同一 MHE を用いる LQR） - 提案手法の構成要素である moving horizon estimation (MHE)、offset-free MPC、virtual-leg model に関する文献 - wheel-legged robot の balance control に関する関連研究（具体的な論文名は要旨からは不明）

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Haitham El-Hussieny

分類: eess.SY

原文アブストラクト

Wheel-legged robots balance on two wheels while using articulated legs to change height, absorb impacts, and cross uneven terrain. On hardware, the balance controller must rely on noisy inertial and encoder measurements, and it must reject disturbances that are not known in advance, such as payloads and wind, without exceeding motor torque limits. This paper presents a moving horizon estimator (MHE) combined with an offset-free, constrained model predictive controller (MPC) for the sagittal balance of a 9.95 kg wheel-legged robot. The estimator uses a virtual-leg model augmented with a horizontal hip force, a body pitch torque, and a gyroscope bias. Its accelerometer model removes the predicted hip acceleration, and its process noise is increased when an impact is detected. We evaluate the approach in MuJoCo with simulated sensor noise, bias, quantization, and delay, and compare it with LQR baselines that use ground-truth state, a complementary filter, or the same MHE. In a driving, squatting, reversing, and bowing sequence, MPC with MHE reduced the RMS speed error to 0.11 m/s, compared with 0.24 m/s for LQR with ground-truth state. Under an unknown 2 kg payload and a 10 N headwind, the mean position error in wind was 6 cm, compared with 81 cm for LQR with ground-truth state. Across a 3 $\times$ 4 grid of payloads and headwinds, LQR with the same estimator fell in 3 of 12 combinations, compared with 1 of 12 for MPC. These results are limited to simulation on flat ground, and experimental validation on hardware remains future work.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI