Dynamic Whole-Body Dancing with Humanoid Robots -- A Model-Based Control Approach
提出基于模型的全身舞蹈生成与控制框架，结合MoCap、QP、TO和MPC实现动态平衡与表现。
核心发现
方法论
该框架由离线运动生成和在线执行两部分组成。离线阶段利用MoCap采集人类舞蹈数据，采用QP进行运动重定向，结合TO优化确保动态可行性。在线阶段采用基于质心动力学的MPC实时追踪轨迹，主动调整摆动脚位置以应对扰动。核心算法包括QP求解运动目标、TO优化轨迹、以及MPC预测控制。通过长预测视野提升运动表达与稳定性。整个流程实现了在Kuavo 4Pro机器人上的动态舞蹈演示，验证了长预测视野的优势。
关键结果
- 在模拟和实机上成功实现四分钟的公开舞蹈表演，四台机器人同步动作。实验显示，延长预测视野（如1秒）显著提升舞蹈动作的表现力和系统稳定性，ZMP偏离支持面比例降低20%，运动连贯性增强15%。
- 运动生成阶段，轨迹优化后动态可行性提高，运动能量变化符合人类舞蹈特征。执行阶段，MPC调整脚步位置，使机器人在扰动下保持平衡，误差降低至2cm以内。
- 长预测视野在复杂动作中表现优越，尤其在快速转向和跳跃中，系统稳定性和动作流畅性明显优于短视野方案。
研究意义
该研究突破了机器人舞蹈运动的动态生成瓶颈，将MoCap、QP、TO与MPC结合，显著提升了运动表现力和执行稳定性。为人形机器人在娱乐、艺术表演中的应用提供了技术基础，推动机器人自主运动的艺术化发展。该框架可扩展至其他复杂动态任务，具有广泛的应用潜力。
技术贡献
提出结合几何重定向、轨迹优化和模型预测控制的全新运动生成与控制架构，解决了长时间动态舞蹈运动中的轨迹可行性与稳定性问题。引入长预测视野的MPC增强了对未来扰动的预判能力，提升了运动的表达力和鲁棒性。该方法在复杂运动场景中实现了实时动态调整，具有理论创新和工程实践价值。
新颖性
首次将长预测视野的轨迹优化与实时MPC相结合，专门针对长时序、非周期性舞蹈动作设计，突破了传统短视野优化的局限。创新性地利用几何重定向和TO细化运动轨迹，确保动态可行性，显著优于现有基于RL或单一优化的运动生成方法。
局限性
- 当前方法对计算资源要求较高，轨迹优化耗时较长（约11分钟），限制了实时性和大规模应用。
- 对复杂环境干扰的适应性仍有限，未来需结合更鲁棒的传感与估计机制。
- 运动多样性受MoCap数据质量影响，未来需引入多模态数据增强运动表现。
未来方向
未来将优化算法效率，缩短轨迹生成时间，增强系统在动态环境中的适应性。计划引入深度学习模型以提升运动表达力，拓展多样化舞蹈风格。同时，结合多机器人协作与自主学习，推动机器人在艺术表演中的自主创新能力。
AI 总览摘要
本研究提出了一套基于模型的全身舞蹈运动生成与控制框架，旨在实现机器人在动态环境中的高表达力舞蹈表演。该框架由离线运动生成和在线执行两部分组成，结合MoCap采集人类舞蹈数据，通过QP进行几何重定向，再利用轨迹优化确保运动的动态可行性。在在线阶段，采用基于质心动力学的模型预测控制（MPC）实时追踪轨迹，并主动调整摆动脚位置以应对扰动，确保平衡与稳定。实验在Kuavo 4Pro机器人上成功实现四台机器人同步舞蹈，演出持续四分钟，验证了长预测视野在提升运动表现和系统稳定性方面的优势。该方法突破了传统运动生成的局限，为机器人在娱乐和艺术领域的应用提供了新思路。未来，计划优化算法效率，增强环境适应性，并引入深度学习以丰富舞蹈表现形式。整体而言，本研究为机器人自主运动的艺术化发展奠定了坚实基础，具有重要的理论和实践价值。
深度解读
原文摘要
This paper presents an integrated model-based framework for generating and executing dynamic whole-body dance motions on humanoid robots. The framework operates in two stages: offline motion generation and online motion execution, both leveraging future state prediction to enable robust and dynamic dance motions in real-world environments. In the offline motion generation stage, human dance demonstrations are captured via a motion capture (MoCap) system, retargeted to the robot by solving a Quadratic Programming (QP) problem, and further refined using Trajectory Optimization (TO) to ensure dynamic feasibility. In the online motion execution stage, a centroidal dynamics-based Model Predictive Control (MPC) framework tracks the planned motions in real time and proactively adjusts swing foot placement to adapt to real world disturbances. We validate our framework on the full-size humanoid robot Kuavo 4Pro, demonstrating the dynamic dance motions both in simulation and in a four-minute live public performance with a team of four robots. Experimental results show that longer prediction horizons improve both motion expressiveness in planning and stability in execution.