日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

群制御arXiv:2603.19170

ADMMに基づく制御バリア関数付き分散MPCによる多脚ロボットの安全な群歩行

ADMM-Based Distributed MPC with Control Barrier Functions for Safe Multi-Robot Quadrupedal Locomotion

シェア:XThreadsFacebookLINEはてブBluesky

多脚ロボットの群れが安全に歩行するための、制御バリア関数を組み込んだ完全分散型モデル予測制御(MPC)フレームワークを提案した。ADMMを用いて問題を分解し、隣接ロボット間の通信のみで並列計算可能な分散最適化を実現し、実機実験で有効性を示した。

詳しい要約

1. どんなもの?

- 本論文は、多脚ロボット群の安全な軌道計画のための完全分散型MPCフレームワークを提案する。 - CBF制約を導入し、エージェント間の結合を明示的に扱う。 - ADMMに基づく分散最適化で集中型問題を再定式化し、ノード・エッジ分割と合意制約で並列求解を可能にする。 - 四脚ロボットの階層型運動制御に統合し、高レベル分散計画、中レベル非線形MPC、低レベル全身制御を組み合わせる。 - Unitree Go2二台のハードウェア実験と最大四台の数値シミュレーションで有効性を検証。

2. 先行研究と比べてどこがすごい?

- 従来の集中型MPCはCBF制約によるエージェント間結合のため直接分解できない問題があった。 - 提案手法はADMMとノード・エッジ分割により、隣接通信のみで完全分散化を実現。 - 計算負荷をエージェント間で対称にし、集中型MPCと同等の性能を保ちつつ、四エージェントの場合で平均計画時間を最大51%削減。 - リアルタイム分散実装を可能にした点が先行研究と比べて優れている。

3. 技術・手法の肝は?

- 集中型安全臨界MPC問題をADMMベースの構造化分散最適化に再定式化。 - 新規のノード・エッジ分割定式化と合意制約を導入し、大域問題を独立なノード局所およびエッジ局所の二次計画問題に分解。 - 各局所問題は隣接エージェント間通信のみで並列に解ける。 - 階層型運動制御アーキテクチャに統合:高レベル分散軌道計画、中レベル非線形MPC(単一剛体動力学)、低レベル全身制御(全次数ロボット動力学)。

4. どうやって有効だと検証した?

- Unitree Go2四脚ロボット二台を用いたハードウェア実験を実施。 - 最大四台のロボットによる数値シミュレーションを実施し、不確実環境、粗い地形、外乱を含む状況で検証。 - 結果、提案分散定式化は集中型MPCと同等の性能を達成し、四エージェントの場合で平均サイクル計画時間を最大51%削減。 - リアルタイム分散実装の効率性を実証。

5. 議論はある?

- 要旨からは、提案手法の限界や議論の詳細は不明。 - ただし、集中型MPCと同等の性能を維持しつつ計算時間を削減できる点が強調されている。 - 安全性和動的実現可能性の保持も主張されている。 - より大規模なシステムや異なるロボットへの適用可能性については言及されていない。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、集中型MPC、CBF、ADMM、非線形MPC、全身制御が挙げられる。 - 同分野の定番として、分散MPCやマルチロボット軌道計画、制御バリア関数に関する論文を読むべき。

※ 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: Yicheng Zeng, Ruturaj S. Sambhus, Basit Muhammad Imran, Jeeseop Kim, Vittorio Pastore, Kaveh Akbari Hamed

分類: cs.RO, math.OC

原文アブストラクト

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.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI