MIT Cheetah 3 的 MPC 控制器实战：如何用凸优化搞定四足机器人的复杂步态？
MIT Cheetah 3的MPC控制器实战：从理论到工程落地的深度解析
当四足机器人在复杂地形上以3米/秒的速度疾驰时，其背后是一套能在1毫秒内完成计算的实时控制系统。这不仅是机器人控制领域的重大突破，更是凸优化理论在动态系统中的应用典范。本文将深入剖析MIT Cheetah 3项目中那个革命性的模型预测控制(MPC)框架，揭示如何将12自由度的复杂动力学问题转化为可实时求解的凸优化问题。
1. 四足机器人控制的范式转变
传统四足机器人控制面临三大核心挑战：高维状态空间、非线性动力学和实时性要求。早期解决方案如启发式控制器需要大量调参，而基于简化模型的二维平面控制无法处理全三维运动。MIT团队另辟蹊径，通过三个关键创新点实现了突破：
- 刚体假设：将12自由度的复杂系统简化为单个刚体，仅考虑接触力作用
- 凸优化重构：通过线性近似将非凸问题转化为二次规划(QP)问题
- 分层控制架构：将高频关节控制与中频MPC解耦
这种架构带来了惊人的性能指标：
- 控制频率：20-30Hz
- 单次求解时间：<1ms
- 支持步态：小跑、飞奔、跳跃等8种模式
- 最大速度：3m/s(前进)，1m/s(横向)
- 最大角速度：180°/s
2. 动力学简化与凸优化转化
2.1 刚体动力学建模
Cheetah 3的核心简化在于将机器人视为受多个接触力作用的刚体。其动力学方程可表示为：
m\ddot{p} = \sum f_i + mg I\dot{\omega} + ω×(Iω) = \sum r_i × f_i其中关键简化步骤包括：
- 忽略腿部动力学（仅占总质量10%）
- 对小角度假设下的欧拉角线性化
- 省略ω×(Iω)项（低速时影响小）
2.2 凸优化问题构建
通过状态空间重构，得到线性时变系统：
ẋ = A_c x + B_c u y = C_c x其中状态变量x包含位置、速度、姿态等13个维度，控制输入u为各脚接触力。MPC问题转化为标准QP形式：
minimize (1/2)u^T H u + g^T u subject to C u ≤ d关键参数对比：
| 参数 | 值 | 物理意义 |
|---|---|---|
| m | 45kg | 机器人质量 |
| I | diag(1.5,2.3,1.8)kg·m² | 惯性张量 |
| k | 10-16 | 预测步长 |
| Δt | 0.03-0.05s | 时间步长 |
3. 实时求解的工程实现
3.1 求解器选型与优化
MIT团队选择了qpOASES作为QP求解器，主要考量因素包括：
- 支持热启动（warm-start）
- 活动集方法效率高
- 内存占用小（适合嵌入式）
- 开源可定制
性能优化技巧：
- 问题降维：仅优化接触脚力
- 矩阵稀疏性利用
- 提前计算不变项
- 定点数运算
3.2 控制架构设计
分层控制架构实现了计算负载的合理分配：
[上层] (100Hz) ├─ 状态估计 ├─ 步态规划 └─ MPC求解 [下层] (1kHz) ├─ 关节阻抗控制 └─ 接触检测关键接口设计：
- 摆动腿轨迹生成采用启发式规则：
def foot_placement(v_com, t_stance): return pref + v_com * t_stance/2 - 接触力到关节力矩转换：
τ = J^T R^T f
4. 多步态统一控制实践
4.1 参数化步态描述
通过少量参数描述不同步态特征：
| 步态类型 | 占空比 | 相位差 | 最大速度 |
|---|---|---|---|
| 小跑 | 50% | 0.5 | 1.7m/s |
| 飞奔 | 30% | 0.25 | 3.0m/s |
| 跳跃 | 30% | 0.0 | 1.5m/s |
4.2 鲁棒性增强技术
系统通过三种机制应对不确定性：
- 接触检测：实时调整步态相位
- 状态估计：IMU与运动学融合
- MPC重规划：40ms内响应扰动
抗干扰表现：
- 可承受1m/s的侧向冲击
- 15cm地形高度变化
- 脚部滑动位移达20cm
5. 前沿发展与工程启示
MIT Cheetah 3项目为四足机器人控制留下了宝贵的技术遗产。其核心启示在于：复杂问题可以通过恰当的简化转化为可工程实现的方案。在实际部署中，我们发现了几个值得注意的经验：
- 执行器带宽比峰值扭矩更重要
- 状态估计延迟直接影响MPC性能
- 摩擦系数不确定性是主要扰动源
- 腿部惯量对高速运动影响显著
在实验室环境中，我们尝试将同样的控制框架移植到其他四足平台时，关节回差和传动刚度成为新的挑战因素。这提示我们，控制算法的普适性最终受限于硬件特性，算法与硬件的协同设计才是未来的发展方向。