17、探索用腿部系统：控制技术与实地成果

探索用腿部系统：控制技术与实地成果

1. 基于模型的控制

在机器人控制领域，有两种建模方法对应着不同的控制技术，分别是离线轨迹优化和模型预测控制（MPC）。

• 离线轨迹优化 ：该方法通过大量计算来解决完整问题。它利用完整模型对持续数秒的运动进行优化，好处是所需的假设和简化较少。然而，其缺点也很明显，机器人在移动前需预先计算开环轨迹，无法根据意外干扰或模型不匹配调整计划，导致运动的鲁棒性极差。
• 模型预测控制（MPC） ：MPC 会在每一步重新计算短期计划，由于计划基于机器人当前状态计算，所以能应对意外情况。但这种方法的计算是在线进行的，且每秒需多次计算，因此只能使用简化模型。例如，步态模式、接触时间表和空中脚部轨迹是固定的，不考虑自碰撞，还假设脚部不会滑动。这种方法存在两个主要缺点：一是固定运动部分可能导致行为并非最优；二是在现实世界中，部分假设难以完全满足，如地面接触难以预测，行走时脚部滑动不可避免，违反这些假设会导致机器人运动不稳定且难以恢复。

下面用表格对比这两种方法：
| 控制技术 | 优点 | 缺点 |
| ---- | ---- | ---- |
| 离线轨迹优化 | 假设和简化少 | 无法应对意外情况，运动脆弱 |
| 模型预测控制（MPC） | 能应对意外情况 | 需简化模型，可能非最优，易违反假设 |

2. 基于学习的控制

近年来，深度强化学习成为机器人控制的有力工具。就像神经网络可训练用于图像中猫狗的识别一样，它也能学习控制机器人的电机。在这种控制方式中，