这个是本人在大三期间做的项目 ---- 基于MIT的Cheetah方案设计的十二自由度并联四足机器人，这个项目获得过两个国家级奖项和一个省级奖项。接下来我会将这个机器人的控制部分所有代码进行开源，并配有相关的教程博客，希望能够帮助到在学习相关领域知识或者进行项目开发的同学。

学习建议

自从MIT开源了Cheetah项目，网上出现了很多的论文解读，相关开源项目，也有很多人在原论文的基础上，对某个算法进行改进，发表了论文。对于初学者，建议从四足机器人的基础理论知识学起，再到Cheetah开源论文和其他算法改进的论文。Cheetah开源论文中有些算法细节描述不是很清楚，基本都可以通过查阅其他解读性的文章和论文，来进一步理解。
因为本人的水平有限，可能以下叙述会带有个人解读的偏见，也欢迎读者来与我联系交流：2250017028@qq.com

书籍列表

以下是我阅读过觉得比较有价值的书目，包含了四足机器人的基础理论，建议先看书籍进行知识储备，再看论文。书籍后期可以作为工具书进行查阅使用。
推荐学习路线：机械结构 -> 运动学建模及控制 -> 刚体动力学建模 -> 浮动基动力学
入门

1. 《Legged-Robots-That-Balance》：讲述了弹簧倒立摆，动态控制，从单腿到双腿到四足机器人推广等算法，系统讲解了足式机器人工作的基本原理和思想，是四足机器人领域启蒙式读物。
2. 《仿生四足机器人》 北理工出版：机械模型（弹簧腿）、正逆运动学、CGP控制思想等。

进阶

1. 《Robot Dynamics Lecture Notes》：正逆运动学，浮动基座系统动力学与运动学，接触动力学
2. 《Rigid Body Dynamics Algorithms》：空间向量代数、刚体系统动力学、刚体系统建模、正逆动力学、浮动基座动力学、接触动力学

论文列表

1. 《MIT Cheetah 3: Design and Control of a Robust, Dynamic Quadruped Robot》：MIT Cheetah 3 开源论文
2. 《Highly Dynamic Quadruped Locomotion via Whole-Body Impulse Control and Model Predictive Control》：MIT Cheetah mini开源论文
3. 《XDog-新型电驱式四足机器人研制与测试》：宇树科技创始人的硕士学位论文，一套比较完整的四足开源方案，发表于MIT开源Cheetah项目之前，所以跟MIT所采用的结构框架不同，非常值得研读。
4. 《Dynamic Locomotion in the MIT Cheetah 3 Through Convex Model-Predictive Control》：详细讲解了Cheetah项目中的MPC算法实现流程，包括动力学模型的建立和简化，MPC问题的创建以及QP求解。
5. 《Passive Whole-body Control for Quadruped Robots: Experimental Validation over Challenging Terrain》：WBC算法在四足机器人上的应用，每个子任务讲的非常详细，可以用于理解WBC算法。

要点总结

下面的内容以Cheetah mini的控制架构及算法为例，进行展开叙述。

1.　控制架构

论文中给出的控制架构：

简化和总结后得到以下的控制架构：

1. 在整个流程中，最核心的算法是MPC和WBIC算法，但在不使用WBIC算法的时候，单MPC算法也是可以正常工作的，只要将MPC计算所得的关节目标角度，角速度，前馈力矩直接输出到关节控制器即可。
2. 因为状态估计是采用了传感器数据处理得到，与实际值存在有误差，在仿真环境中验证控制算法时，可以将该环节替换为读取仿真环境中绝对正确的测量数值。

2.　步态规划（Gait Scheduler）

步态类型

四足机器人常用的步态有：stand，trot，walk等。
步态之间的属性区别在于运动周期，初始相位，转换相位。

运动周期：足端站立态 + 摆动态一次的时间之和。
相位：数值为0 - 1，代表一个运动周期内的各个腿部所处的状态
起始相位：每个腿部在切换到当前步态时的相位值。
转换相位：腿部从站立态切换为摆动态的相位值。

规划方式

Cheetah项目中采用的是贝赛尔曲线进行足端运动的路径规划。并且采用了动态的方法，执行流程如下：
贝塞尔曲线的详细介绍可以参考我的笔记：贝赛尔曲线学习

落足点计算
$$p_{step,i}=p_{h,i}+\underset{RaibertHeuristic}{\underbrace{\frac{T_{c_{\varphi }}}{2}{\dot{p}}_{c,d}}}+\underset{CapturePoint}{\underbrace{\sqrt{\frac{z_0}{||g||}}({\dot{p}}_c-{\dot{p}}_{c,d})}}$$
$\frac{T_{c_{\varphi }}}{2}{\dot{p}}_{c,d}$ ----根据《Legged robots that balance》中的描述，足端按照该公式确定的落足点，会使运动为对称运动，加速度为0

$\sqrt{\frac{z_0}{||g||}}({\dot{p}}_c-{\dot{p}}_{c,d})$ ----根据《Capture point: A step toward humanoid push recovery》中的描述，目标就是让落脚点趋近capture point，在该点腿部会获得平衡。

$T_{c_{\phi }}$ ----理想状态下的stance态持续时间
$z_0$ ----目标位置点的高度
$p_{h,i}$----腿i对应髋关节电机hip的位置

3.　状态估计（State Estimation）

在仿真环境中，机器人的世界坐标，速度大小和方向，都可以进行读取，并基于此对机器人进行控制。
但由于四足机器人的传感器都是安装在机器人上面，一般不存在有外部传感器，所以在实际运行中，机器人的全局信息需要由IMU等传感器数据进行复杂计算得到，并且难以避免累计误差，只能尽量减少。

卡尔曼滤波（Kalman Filter）

Cheetah项目中采用了卡尔曼滤波进行状态估计。卡尔曼滤波的作用在于对不同传感器的数据进行数据融合，利用观测量并结合系统的模型来对系统的状态进行估计。

Cheetah分为以下两步进行状态估计：
航向估计（orientation）：高频的IMU的gyro数据 + 低频的IMU加速度计数据（重力偏差值）-> 旋转矩阵${}^0{R}_b$
位置/速度估计：上述所得${}^0{R}_b$ + 腿部电机数据（结合机器运动学公式） -> 世界坐标系下的位置/速度
详细公式参考论文《MIT Cheetah 3: Design and Control of a Robust, Dynamic Quadruped Robot 》中的“H. State Estimation”部分 。
卡尔曼滤波的公式推导：卡尔曼滤波

4.　关节控制器（Joint-Level Control）

Cheetah项目对关节电机的控制采用PD控制器 + 前馈力矩$\tau$ 的方式。
其中一共用到了两套控制器，一套用于计算前馈力矩，即补偿足端落点位置所需的力矩大小。一套用于控制各个电机逼近目标角度位置。

前馈力矩的计算
$${\tau }_{\mathrm{ff},i}={\mathbf{J}}_i^{\top }{\mathbf{\Lambda }}_i\left({}^{\mathfrak{B}}{\mathbf{a}}_{i,\text{ ref }}-{\dot{\mathbf{J}}}_i{\dot{\mathbf{q}}}_i\right)+{\mathbf{C}}_i{\dot{\mathbf{q}}}_i+{\mathbf{G}}_i$$
$J_i$ ----足部的雅可比矩阵
${\Lambda }_i$ ----操作空间的惯性矩阵
${}^{\mathfrak{B}}{a}_{i,ref}$ ----参考加速度
$q_i$ ----关节结构的向量
$C_i$ ----科里奥利矩阵
$G_i$ -----重力矩

$${\mathbf{\tau }}_i={\mathbf{J}}_i^{\top }\left[{\mathbf{K}}_p\left({}^{\mathfrak{B}}{\mathbf{p}}_{i,\text{ ref }}-{}^{\mathfrak{B}}{\mathbf{p}}_i\right)+{\mathbf{K}}_d\left({}^{\mathfrak{B}}{\mathbf{v}}_{i,\mathrm{ref}}-{}^{\mathfrak{B}}{\mathbf{v}}_i\right)\right]+{\mathbf{\tau }}_{\mathrm{ff},i}$$

电机输出力矩的计算
$$\mathbf{\tau }={\mathbf{K}}_p\left({\mathbf{q}}_{des}-{\mathbf{q}}_i\right)+{\mathbf{K}}_d\left({\mathbf{qd}}_{des}-{\mathbf{qd}}_i\right)+{\mathbf{\tau }}_i$$

5.　MPC算法（Model Predictive Control）

在Cheetah项目中，MPC算法主要用于计算保持四足机器人正常运动的情况下，每条支撑腿的足端所需的输出力。
MPC算法的公式推导参考我的学习笔记：手推MPC公式
其中，运动方程的建立将机器人看作单刚体模型：
$$\underset{A}{\underbrace{\left[\begin{array}{ccc}{I}_3& \dots & I_3\\ [p_1{p}_c]\times & \dots & [p_4{p}_c]\times \end{array}\right]}}F=\underset{b}{\underbrace{\left[\begin{array}{c}m({\ddot{p}}_c+g)\\ I_G\dot{{\omega }_b}\end{array}\right]}}$$

上式运用了基本的牛顿运动定律

• 合力 = ma
• 合力矩 = 惯量*角加速度

6.　WBIC算法（Whole-Body Impulse Control）

WBIC算法中运用到了机器人的浮动基动力学模型，吸收了MPC计算得到数据以及机器人运动学模型所得数据。
WBIC的工作原理如下：

1. 将机器人的运动分为多个任务，如触地控制任务，姿态控制任务，位置/速度控制任务等，并且任务具有优先级。
2. 按照优先级的顺序，依次求解各个任务所需的电机前馈力矩输出公共解。
3. 输出电机控制力矩

WBC的公式推导及应用可以参考我的学习笔记：
手推WBC公式
WBC控制的实际应用