Neural-augmented inertia-adaptive MPC with whole-body control for humanoid robots

다국어 초록 (Multilingual Abstract)

The defining characteristic of humanoid robots is their human-like bipedal locomotion, which enables autonomous movement and interaction within human environments. For this purpose, convex Model Predictive Control (MPC) based on Single Rigid Body Dynamics (SRBD) has been widely adopted due to its high computational efficiency. However, by approximating the robot as a single rigid body, SRBD introduces significant modeling errors in bipedal systems where the legs contribute a large portion of the total mass and inertia. This thesis aims to design a walking control framework for a humanoid robot with 5-DoF legs that preserves the real-time advantages of SRBD MPC while compensating for these modeling limitations.
To address this issue, two control components are added to the SRBD MPC framework. A Whole-Body Control (WBC) layer is introduced downstream of the MPC to generate whole-body torque commands using full-body dynamics and null-space–based hierarchical control. In addition, an Inertia-Adaptive MPC (IA MPC) replaces the constant centroidal inertia tensor in the SRBD model with time-varying inertias predicted by a Centroidal Composite Inertia Neural Network (CCINN), which are applied at each step of the MPC prediction horizon while preserving convexity and fast computation.
To evaluate the performance of the developed control framework, experiments were conducted in both Gazebo simulation and real hardware. In simulation, the robot fell before reaching 10 m when using only SRBD MPC, while SRBD MPC + WBC enabled a 50 m walk with a lateral deviation of 10.9 m. In contrast, the IA MPC + WBC controller reduced the deviation to 0.51 m and decreased Roll RMSE by more than 50%. On real hardware, the IA MPC + WBC controller achieved stable straight-line walking and reduced Roll orientation error by more than 70% compared to SRBD MPC + WBC. These results demonstrate that integrating whole-body control with adaptive centroidal inertia modeling significantly enhances bipedal walking stability.

국문 초록 (Abstract)

휴머노이드 로봇의 가장 큰 특징은 사람과 유사한 이족 보행 능력으로, 이는 인간 환경에서 자율적으로 이동하고 상호작용하기 위한 핵심 기술이다. 이를 위해 단일 강체 동역학(Single Rigid Body Dynamics, SRBD)에 기반한 볼록 모델 예측 제어(Model Predictive Control, MPC) 기법은 높은 계산 효율성으로 인해 보행 제어에 널리 사용되고 있다. 그러나 SRBD는 로봇을 단일 강체로 단순화함으로써, 다리의 질량과 관성 비중이 큰 이족 로봇에서는 큰 모델링 오차를 유발한다. 본 논문은 5자유도 다리를 가진 이족 휴머노이드를 대상으로, SRBD 기반 볼록 MPC의 실시간 장점을 유지하면서 이러한 모델링 한계를 보완할 수 있는 보행 제어 프레임워크를 설계하는 것을 목표로 한다.
이를 해결하기 위해 SRBD MPC 프레임워크에 두 가지 제어 구성요소를 추가하였다. 전신 제어기(Whole-Body Control, WBC)는 MPC 이후 단계에 도입되어 전신 동역학과 Null-Space Projection 기반의 계층적 제어를 통해 다리를 포함한 전신 토크 명령을 생성한다. 또한 관성 가변형 모델 예측 제어(Inertia-Adaptive MPC, IA MPC)를 적용하여, SRBD 모델에서 상수로 가정되던 중심 관성 텐서를 Centroidal Composite Inertia Neural Network(CCINN)가 예측한 시간 가변 관성으로 대체하고, 이를 MPC 예측 지평선의 각 스텝에 적용함으로써 볼록성과 계산 효율성을 유지한다.
개발된 제어 프레임워크의 성능을 검증하기 위해 Gazebo 시뮬레이션과 실제 하드웨어 실험을 수행하였다. 시뮬레이션에서 SRBD MPC 단독 적용 시 10 m 이전에 넘어졌으며, SRBD MPC + WBC를 적용한 경우 50 m 보행은 가능했지만 횡방향 편차가 10.9 m 발생하였다. 반면, IA MPC + WBC를 적용한 경우 횡방향 편차가 0.51 m로 감소하고 Roll RMSE도 50% 이상 감소하였다. 실제 하드웨어에서도 IA MPC + WBC 적용 시 안정적인 직진 보행이 가능하였으며, SRBD MPC + WBC 대비 Roll 오차가 70% 이상 감소하였다. 이를 통해 전신 제어기와 관성 가변 모델링을 결합한 기법이 이족 보행 안정성을 효과적으로 향상시킴을 확인하였다.

목차 (Table of Contents)

• 1 Introduction 1
• 1.1 Background and Motivation 1
• 1.2 Previous Research 5
• 1.3 Research Objectives 9
• 2 Single Rigid Body Dynamics MPC 12
• 2.1 Single Rigid Body Dynamics 12
• 2.2 Linearized State-Space Formulation 15
• 2.3 Discrete-Time Approximation for MPC 17
• 2.4 Model Predictive Control 19
• 2.4.1 Convex MPC Formulation 19
• 2.4.2 Quadratic Programming Formulation 22
• 2.5 Cartesian PD Swing Leg Control 24
• 2.6 Experiments 27
• 2.6.1 Experimental Setup 27
• 2.6.2 Experimental Results 28
• 3 Whole-Body Control 31
• 3.1 Introduction 31
• 3.2 Floating Base System 33
• 3.3 Prioritized Task Execution 34
• 3.3.1 Null-Space Projection 34
• 3.3.2 CoM Tracking Task 37
• 3.4 Quadratic Programming for WBC 38
• 3.5 Experiments 39
• 3.5.1 Experimental Setup 39
• 3.5.2 Experimental Results 41
• 4 Inertia-Adaptive MPC 45
• 4.1 Introduction 45
• 4.2 Centroidal Composite Inertia Neural Network 46
• 4.3 Incorporating Predicted Inertias into MPC 50
• 4.4 Experiments 52
• 4.4.1 Experimental Setup 52
• 4.4.2 Experimental Results 54
• 5 Experimental Validation on Real Hardware 62
• 5.1 Experimental Setup 62
• 5.2 Walking Experiments 66
• 5.2.1 SRBD MPC 66
• 5.2.2 SRBD MPC + WBC 68
• 5.2.3 IA MPC + WBC 70
• 6 Conclusion 75
• Bibliography 78
• 국문요약 81