ADMM-Based Distributed MPC with Control Barrier Functions for Safe Multi-Robot Quadrupedal Locomotion
基于ADMM的分布式MPC框架结合控制障碍函数，实现四足机器人安全运动，规划时间减少51%。
核心发现
方法论
本文提出了一种基于交替方向乘子法（ADMM）的分布式模型预测控制（MPC）框架，结合控制障碍函数（CBF）用于多机器人四足系统的安全轨迹规划。通过引入节点-边分裂技术和一致性约束，该方法将全局问题分解为独立的节点局部和边局部二次规划问题，可以通过邻居间通信并行求解。
关键结果
- 结果1：在四个机器人场景中，平均每周期规划时间减少约51%，与集中式MPC性能相当。
- 结果2：在不确定环境中进行硬件实验，验证了该方法的有效性，确保了机器人间的安全距离。
- 结果3：数值模拟显示，该方法在处理粗糙地形和外部干扰时，保持了动态可行性和安全性。
研究意义
该研究为多机器人系统的安全轨迹规划提供了一种高效的分布式解决方案，特别是在四足机器人领域。通过将CBF整合到MPC中，解决了多机器人间的显式耦合问题，增强了系统的鲁棒性和实时性。这一框架不仅提高了计算效率，还为复杂环境中的机器人协作提供了新的可能性。
技术贡献
技术贡献包括：1）提出了一种新的节点-边分裂技术，允许完全分布式的轨迹优化；2）将CBF引入MPC框架中，提供了安全性保证；3）通过ADMM实现了对非凸问题的分布式求解，显著减少了计算负担。
新颖性
本文首次将CBF与ADMM结合用于多机器人四足系统的分布式MPC，提供了一种全新的分解方法，显著提高了计算效率和安全性保障。
局限性
- 局限1：在极端复杂环境下，CBF的保守性可能导致过于保守的轨迹规划。
- 局限2：算法的收敛性在特定非凸条件下可能受到限制。
未来方向
未来研究方向包括：1）优化CBF参数以提高灵活性；2）扩展到更多类型的机器人系统；3）探索更高效的分布式优化算法以进一步减少计算时间。
AI 总览摘要
近年来，四足机器人在复杂地形上的运动能力取得了显著进展，推动了其在检查、搜救和协同运输等领域的应用。然而，将四足运动扩展到多机器人团队中，尽管提高了效率和鲁棒性，却也带来了显著的挑战。这些挑战主要源于高维动力学、混合接触行为以及机器人间的安全约束。
模型预测控制（MPC）作为一种强大的轨迹生成和控制框架，能够系统地处理系统动力学和约束，同时优化性能目标。尽管MPC在单机器人系统中取得了成功，但在多机器人系统中，尤其是四足机器人系统中，仍面临显式耦合问题。
本文提出了一种基于交替方向乘子法（ADMM）的分布式MPC框架，结合控制障碍函数（CBF）用于多机器人四足系统的安全轨迹规划。通过引入节点-边分裂技术和一致性约束，该方法将全局问题分解为独立的节点局部和边局部二次规划问题，可以通过邻居间通信并行求解。这种分布式结构不仅减少了计算负担，还增强了系统对通信故障的鲁棒性，支持实时实施。
通过在两个Unitree Go2四足机器人上的硬件实验和多达四个机器人在不确定环境中的数值模拟，验证了该方法的有效性。结果显示，该分布式框架在四个机器人场景中，平均每周期规划时间减少约51%，与集中式MPC性能相当。这表明该方法在提高计算效率的同时，保持了轨迹质量和安全性。
尽管如此，该方法在极端复杂环境下可能面临CBF保守性导致的过于保守的轨迹规划问题。此外，算法的收敛性在特定非凸条件下可能受到限制。未来研究方向包括优化CBF参数以提高灵活性，扩展到更多类型的机器人系统，以及探索更高效的分布式优化算法以进一步减少计算时间。
深度分析
研究背景
四足机器人近年来在复杂地形上的运动能力取得了显著进展，推动了其在检查、搜救和协同运输等领域的应用。然而，将四足运动扩展到多机器人团队中，尽管提高了效率和鲁棒性，却也带来了显著的挑战。这些挑战主要源于高维动力学、混合接触行为以及机器人间的安全约束。模型预测控制（MPC）作为一种强大的轨迹生成和控制框架，能够系统地处理系统动力学和约束，同时优化性能目标。尽管MPC在单机器人系统中取得了成功，但在多机器人系统中，尤其是四足机器人系统中，仍面临显式耦合问题。
核心问题
多机器人系统的核心问题在于如何在保证安全的前提下，实现高效的轨迹规划。具体来说，机器人间的显式耦合和复杂的环境约束使得集中式MPC难以扩展。此外，计算复杂度和通信需求随着机器人数量的增加迅速增长，限制了实时应用的可能性。因此，开发一种能够在分布式环境中高效运行的MPC框架显得尤为重要。
核心创新
本文的核心创新在于：1）提出了一种新的节点-边分裂技术，允许完全分布式的轨迹优化；2）将CBF引入MPC框架中，提供了安全性保证；3）通过ADMM实现了对非凸问题的分布式求解，显著减少了计算负担。与以往的分布式MPC方法不同，本文的方法能够显式地分解集中式安全关键MPC问题，使得全局问题可以通过邻居间通信并行求解。
方法详解
- �� 提出了一种基于ADMM的分布式MPC框架，结合控制障碍函数（CBF）用于多机器人四足系统的安全轨迹规划。
- �� 通过引入节点-边分裂技术和一致性约束，该方法将全局问题分解为独立的节点局部和边局部二次规划问题。
- �� 这些子问题可以通过邻居间通信并行求解，从而实现完全分布式的轨迹优化。
- �� 该框架集成到四足机器人的分层运动控制架构中，结合高层分布式轨迹规划、中层非线性MPC和低层全身控制。
实验设计
实验设计包括在两个Unitree Go2四足机器人上的硬件实验和多达四个机器人在不确定环境中的数值模拟。硬件实验验证了该方法在复杂环境中的有效性，包括障碍物回避和外部干扰下的鲁棒性。数值模拟则展示了该方法在处理粗糙地形和外部干扰时的动态可行性和安全性。实验使用了RaiSim物理引擎进行模拟，硬件实验在室内实验室环境中进行。
结果分析
实验结果显示，该分布式框架在四个机器人场景中，平均每周期规划时间减少约51%，与集中式MPC性能相当。此外，硬件实验验证了该方法在复杂环境中的有效性，确保了机器人间的安全距离。数值模拟显示，该方法在处理粗糙地形和外部干扰时，保持了动态可行性和安全性。
应用场景
该方法可以直接应用于多机器人系统中的安全轨迹规划，特别是在四足机器人领域。其分布式结构减少了计算负担，增强了系统对通信故障的鲁棒性，支持实时实施。潜在的行业影响包括提高机器人在复杂环境中的协作能力，增强其在搜救、检查和运输等领域的应用。
局限与展望
尽管该方法在提高计算效率和安全性方面取得了显著进展，但在极端复杂环境下，CBF的保守性可能导致过于保守的轨迹规划。此外，算法的收敛性在特定非凸条件下可能受到限制。未来的改进方向包括优化CBF参数以提高灵活性，扩展到更多类型的机器人系统，以及探索更高效的分布式优化算法以进一步减少计算时间。
通俗解读 非专业人士也能看懂
想象一下你在厨房里做饭。你需要同时处理多个任务，比如切菜、炒菜和煮汤。每个任务都需要你专注和协调，而你又希望在最短的时间内完成所有任务。现在，想象一下有几个朋友来帮忙，每个人负责一个任务，但他们需要在某些步骤上进行沟通和协调，以确保整个过程顺利进行。这就像本文中的多机器人系统，每个机器人就像一个朋友，负责自己的任务（轨迹规划），但需要与其他机器人沟通以确保安全（避免碰撞）。控制障碍函数（CBF）就像厨房里的安全规则，确保每个人都在安全距离内工作，不会互相干扰。通过分布式的方式，每个机器人都可以独立工作，但又能通过简单的沟通实现整体的协调，就像你和朋友们在厨房里高效合作一样。
简单解释 像给14岁少年讲一样
想象一下你和朋友们在操场上玩游戏。你们每个人都有自己的任务，比如一个人负责传球，另一个人负责射门。为了不撞到一起，你们需要在玩的时候互相沟通，确保每个人都有足够的空间。这就像这篇论文中的机器人系统，每个机器人都有自己的任务（比如走到某个地方），但需要互相沟通以确保安全（不撞到一起）。控制障碍函数（CBF）就像游戏中的规则，确保每个人都在安全距离内玩耍。通过分布式的方式，每个机器人都可以独立行动，但又能通过简单的沟通实现整体的协调，就像你和朋友们在操场上玩游戏一样。是不是很酷？
术语表
模型预测控制 (Model Predictive Control, MPC)
MPC是一种控制策略，通过预测未来的系统行为来优化当前的控制输入。它能够处理多种约束和动态变化。
在本文中，MPC用于生成四足机器人的运动轨迹。
控制障碍函数 (Control Barrier Function, CBF)
CBF是一种用于确保系统安全的数学工具，通过限制系统状态来避免不安全的情况。
在本文中，CBF用于确保多机器人系统的安全距离。
交替方向乘子法 (Alternating Direction Method of Multipliers, ADMM)
ADMM是一种用于分布式优化的算法，通过分解问题并行求解子问题来提高计算效率。
在本文中，ADMM用于实现分布式MPC。
节点-边分裂技术 (Node-Edge Splitting)
这是一种分解技术，将全局问题分解为独立的节点局部和边局部问题，以便并行求解。
在本文中，该技术用于分解多机器人系统的轨迹优化问题。
四足机器人 (Quadrupedal Robot)
四足机器人是一种具有四条腿的机器人，能够在复杂地形上进行稳定的运动。
本文中的实验使用了Unitree Go2四足机器人。
分布式优化 (Distributed Optimization)
分布式优化是一种通过多个计算节点协同工作来求解优化问题的方法。
在本文中，分布式优化用于实现多机器人系统的轨迹规划。
非线性模型预测控制 (Nonlinear Model Predictive Control, NMPC)
NMPC是一种考虑非线性系统动态的MPC方法，能够提供更高的精度。
在本文中，NMPC用于中层控制以跟踪高层参考轨迹。
全身控制 (Whole-Body Control, WBC)
WBC是一种控制策略，考虑机器人的全身动态以实现复杂的运动任务。
在本文中，WBC用于低层控制以实现全身动态的跟踪。
RaiSim物理引擎 (RaiSim Physics Engine)
RaiSim是一种用于模拟机器人和物理环境交互的高效物理引擎。
在本文中，RaiSim用于数值模拟实验。
Unitree Go2机器人
Unitree Go2是一种四足机器人，具有高机动性和稳定性，适用于多种应用场景。
在本文中，Unitree Go2用于硬件实验验证。
开放问题 这项研究留下的未解疑问
- 1 开放问题1：在极端复杂环境下，如何优化CBF参数以提高灵活性和适应性？当前方法可能过于保守，限制了机器人运动的灵活性。
- 2 开放问题2：如何在非凸条件下确保ADMM算法的收敛性？现有方法在特定条件下可能无法保证收敛。
- 3 开放问题3：在更大规模的多机器人系统中，如何有效地扩展分布式MPC框架？当前的计算复杂度可能限制了系统的扩展性。
- 4 开放问题4：如何在分布式环境中实现更高效的通信协议以减少延迟和数据丢失？现有的通信机制可能影响系统的实时性。
- 5 开放问题5：在多机器人系统中，如何更好地处理动态环境中的不确定性？当前方法可能无法充分应对快速变化的环境条件。
应用场景
近期应用
搜救任务
多机器人系统可以用于灾后搜救，通过分布式MPC实现高效的搜索和协作，确保机器人间的安全距离。
工业检查
在复杂的工业环境中，四足机器人可以用于设备检查和维护，通过分布式控制提高效率和安全性。
协同运输
多机器人系统可以用于协同运输任务，通过分布式轨迹规划实现高效的物资搬运和路径优化。
远期愿景
智能城市管理
未来，多机器人系统可以用于智能城市的管理和维护，通过分布式控制实现高效的资源调度和环境监测。
自动化农业
在农业领域，多机器人系统可以用于自动化种植和收割，通过分布式优化提高农业生产效率和资源利用率。
原文摘要
This paper proposes a fully decentralized model predictive control (MPC) framework with control barrier function (CBF) constraints for safety-critical trajectory planning in multi-robot legged systems. The incorporation of CBF constraints introduces explicit inter-agent coupling, which prevents direct decomposition of the resulting optimal control problems. To address this challenge, we reformulate the centralized safety-critical MPC problem using a structured distributed optimization framework based on the alternating direction method of multipliers (ADMM). By introducing a novel node-edge splitting formulation with consensus constraints, the proposed approach decomposes the global problem into independent node-local and edge-local quadratic programs that can be solved in parallel using only neighbor-to-neighbor communication. This enables fully decentralized trajectory optimization with symmetric computational load across agents while preserving safety and dynamic feasibility. The proposed framework is integrated into a hierarchical locomotion control architecture for quadrupedal robots, combining high-level distributed trajectory planning, mid-level nonlinear MPC enforcing single rigid body dynamics, and low-level whole-body control enforcing full-order robot dynamics. The effectiveness of the proposed approach is demonstrated through hardware experiments on two Unitree Go2 quadrupedal robots and numerical simulations involving up to four robots navigating uncertain environments with rough terrain and external disturbances. The results show that the proposed distributed formulation achieves performance comparable to centralized MPC while reducing the average per-cycle planning time by up to 51% in the four-agent case, enabling efficient real-time decentralized implementation.
参考文献 (20)
Safety-Critical and Distributed Nonlinear Predictive Controllers for Teams of Quadrupedal Robots
B. Imran, Jeeseop Kim, Taizoon Chunawala 等
A Nonlinear MPC Framework for Loco-Manipulation of Quadrupedal Robots With Non-Negligible Manipulator Dynamics
Ruturaj S. Sambhus, Kapi Ketan Mehta, A. Sadeghi 等
Architectures for distributed and hierarchical Model Predictive Control - A review
R. Scattolini
Representation-Free Model Predictive Control for Dynamic Motions in Quadrupeds
Yanran Ding, Abhishek Pandala, Chuanzheng Li 等
Per-Contact Iteration Method for Solving Contact Dynamics
Jemin Hwangbo, Joonho Lee, Marco Hutter
Discrete-Time Control Barrier Function: High-Order Case and Adaptive Case
Y. Xiong, Dihua Zhai, M. Tavakoli 等
Distributed Optimization and Statistical Learning via the Alternating Direction Method of Multipliers
Distributed predictive control: A non-cooperative algorithm with neighbor-to-neighbor communication for linear systems
M. Farina, R. Scattolini
FATROP: A Fast Constrained Optimal Control Problem Solver for Robot Trajectory Optimization and Control
Lander Vanroye, A. Sathya, J. Schutter 等
Decentralized control of complex systems
D. Siljak
Autonomous navigation of underactuated bipedal robots in height-constrained environments
Zhongyu Li, Jun Zeng, Shuxiao Chen 等
Dynamic Locomotion in the MIT Cheetah 3 Through Convex Model-Predictive Control
J. Carlo, Patrick M. Wensing, Benjamin Katz 等
Robust Predictive Control for Quadrupedal Locomotion: Learning to Close the Gap Between Reduced- and Full-Order Models
Abhishek Pandala, Randall T. Fawcett, Ugo Rosolia 等
Stability and optimality of distributed model predictive control
Aswin N. Venkat, J. Rawlings, Stephen J. Wright
Centroidal dynamics of a humanoid robot
D. Orin, A. Goswami, Sung-Hee Lee
Optimization-Based Control for Dynamic Legged Robots
Patrick M. Wensing, Michael Posa, Yue Hu 等
Distributed Nonlinear Model Predictive Control for Connected Vehicles Trajectory Tracking and Collision Avoidance with Ellipse Geometry
Mohamed Abdelaal, S. Schön
Distributed Non-Convex Model Predictive Control for Non-Cooperative Collision Avoidance of Networked Differential Drive Mobile Robots
R. Mao, Hu Dai
Walking in Narrow Spaces: Safety-Critical Locomotion Control for Quadrupedal Robots with Duality-Based Optimization
Qiayuan Liao, Zhongyu Li, A. Thirugnanam 等
Multirobot Adversarial Resilience Using Control Barrier Functions
Matthew Cavorsi, Lorenzo Sabattini, Stephanie Gil