iit-DLSLab/Quadruped-PyMPC

解决的问题

本项目为四足机器人提供了一个高性能的模型预测控制（MPC）框架，使其能够执行如小跑、踱步和跳跃等复杂动作。通过实时计算最优控制动作，解决了在足式运动中保持稳定性和平衡的挑战。

工作原理

系统使用单刚体模型来预测和优化机器人运动。提供两种不同的实现路径：

• 基于梯度的MPC： 使用 acados 实现快速计算（现代CPU上低于5ms），并包含足点优化和基于李雅普诺夫函数的稳定性准则等功能。
• 基于采样的MPC： 利用 jax 实现大规模并行滚动（在GPU上10,000次滚动在2ms内完成），支持MPPI、CEMPPI以及多种控制参数化方式（零阶、线性或三次样条）的随机采样策略。

适用人群

本项目专为使用Mujoco进行仿真或部署到真实Unitree机器人的足式运动与控制系统的研究人员和工程师设计。

主要亮点

• 双引擎架构： 同时支持基于CPU的梯度优化和基于GPU的采样加速。
• 适用于真实场景： 与Mujoco兼容，并集成了状态估计和通信工具，可直接部署到真实机器人。
• 极高效率： 无论是梯度还是采样控制回路，均实现极低延迟。
• 高级控制选项： 包含可选的地面反力平滑处理和步频自适应功能，以提升鲁棒性。