晨光
暗夜
晨光
极光
Bilingual Paper Reading · 中英对照精读

自适应CLF-MPC：让四足机器人边干活边自适应

准大一 · 机器人工程 × 自适应控制 × 模型预测控制 —— CLF-MPC 四足机器人自适应精读材料
原文：arXiv:2112.04536 2021年12月8日发布 arXiv 预印本（cs.RO · eess.SY） 四足机器人 × 自适应控制 × 模型预测控制 附英文摘要朗读音频

一、论文档案

英文标题Adaptive CLF-MPC With Application To Quadrupedal Robots
中文标题自适应 CLF-MPC 及其在四足机器人上的应用（中文短名：CLF-MPC四足机器人自适应）
作者玛丽亚·维托里亚·米尼蒂, 鲁本·格兰迪亚, 法尔博德·法尔希迪安, 马尔科·胡特尔（机构未在素材中标注）
发布时间2021年12月8日（v1）｜分类：cs.RO（机器人）、eess.SY（系统与控制）
原文链接arxiv.org/abs/2112.04536　·　全文 HTML 版
一句话概括把自适应控制里推导出的李雅普诺夫稳定条件作为不等式约束加进 MPC 最优控制问题，让四足机器人在没建模的重物（10.86 kg 负载、21 kg 箱子）面前既保持最优规划、又拿到稳定性保证。
💡 为什么选这篇给你：① 四足机器人 + 移动操作是机器人工程最「出片」也最落地的方向，ANYmal 拖着箱子、背着砖块的照片就是最好的广告；② 思想主线极清晰——「MPC 管最优、CLF 管稳定」，一个不等式约束就把两套理论拧成一股绳，不用啃公式也能读懂；③ 有仿真、有真机、有明确的未来工作，是一篇结构标准的 RA-L 风格论文，非常适合当作精读样板。

二、核心术语表（先扫一遍再读正文）

英文术语中文大白话解释
Model Predictive Control (MPC)模型预测控制每一步都基于当前模型「往前看」一段时域做最优规划，只执行第一步，然后滚动重复。
Control Lyapunov Function (CLF)控制李雅普诺夫函数一种「能量函数」，只要沿着它下降的方向控制，系统就能保证稳定（不失控）。
adaptive control自适应控制控制器一边运行一边在线修正对未知参数的估计，适应环境变化。
Lyapunov stability李雅普诺夫稳定性控制理论里「系统不会越跑越偏」的严格数学保证。
matched uncertainty匹配不确定性模型误差作用在「控制输入能直接影响的通道」上，这类误差最容易用自适应补偿。
asymptotic tracking渐近跟踪跟踪误差随时间推移收敛到零，是自适应控制的经典目标。
floating-base model浮动基座模型把机器人本体视为「不固定在地面」的基座建模——足式机器人（还会腾空）的标准建模方式。
terminal cost / constraint终端代价 / 终端约束MPC 在预测时域末端附加的代价或约束，常用于换取稳定性保证，但对非线性问题很难设计。
prediction horizon预测时域MPC 每次向前规划多长；时域越短，名义 MPC 性能越差。
quadrupedal robot四足机器人四条腿的足式机器人，如本文实验平台 ANYmal。
payload / wrench负载 / 力螺旋payload 是被搬运的物体；wrench 是作用在基座上的力与力矩的统称。
system identification系统辨识从数据里估计机器人动力学参数的过程，自适应 MPC 常与它搭配。

三、摘要中英对照（精读核心）

🎧 音频在文末，可先听一遍原文再读；每个英文句都配了逐句翻译。

摘要 Abstract

EN · 原文
Modern robotic systems are endowed with superior mobility and mechanical skills that make them suited to be employed in real-world scenarios, where interactions with heavy objects and precise manipulation capabilities are required.
CN · 翻译
现代机器人系统拥有卓越的机动性与机械技能，适合部署在真实场景中——那里需要与重物交互和精确操作能力。
EN · 原文
For instance, legged robots with high payload capacity can be used in disaster scenarios to remove dangerous material or carry injured people.
CN · 翻译
例如，大负载能力的足式机器人可用于灾害场景，清除危险物质或搬运伤员。
EN · 原文
It is thus essential to develop planning algorithms that can enable complex robots to perform motion and manipulation tasks accurately.
CN · 翻译
因此，开发能让复杂机器人精确完成运动与操作任务的规划算法至关重要。
EN · 原文
In addition, online adaptation mechanisms with respect to new, unknown environments are needed.
CN · 翻译
此外，还需要针对新的、未知的环境的在线自适应机制。
EN · 原文
In this work, we impose that the optimal state-input trajectories generated by Model Predictive Control (MPC) satisfy the Lyapunov function criterion derived in adaptive control for robotic systems.
CN · 翻译
本文要求：由模型预测控制（MPC）生成的最优状态-输入轨迹，必须满足自适应控制中推导出的李雅普诺夫函数判据。
EN · 原文
As a result, we combine the stability guarantees provided by Control Lyapunov Functions (CLFs) and the optimality offered by MPC in a unified adaptive framework, yielding an improved performance during the robot's interaction with unknown objects.
CN · 翻译
由此，我们把控制李雅普诺夫函数（CLF）的稳定性保证与MPC 的最优性统一进一个自适应框架，在与未知物体交互时获得更好的性能。
EN · 原文
We validate the proposed approach in simulation and hardware tests on a quadrupedal robot carrying un-modeled payloads and pulling heavy boxes.
CN · 翻译
我们在四足机器人上进行仿真与真机实验验证：机器人搬运未建模负载、拖拽重箱子。

关键词 Keywords：Model Predictive Control 模型预测控制 ｜ Control Lyapunov Function 控制李雅普诺夫函数 ｜ Adaptive Control 自适应控制 ｜ Quadrupedal Robots 四足机器人

四、引言精选（为什么这个问题重要）

① 机器人的「模型缺失」：连自己都建模不准

EN · 原文
One major challenge for the real-world deployment of robots is the absence of a perfect model of all the objects that the robot should manipulate. In addition, the model of the robot itself may be uncertain, since it is difficult to perfectly identify the dynamic parameters of all its components.
CN · 翻译
机器人真实部署的一大挑战是：没有所操作物体的完美模型。此外，机器人自身的模型也可能不确定——因为很难完美辨识所有部件的动力学参数。

② 名义 MPC 的软肋：模型一不准，性能就退化

EN · 原文
However, the performance of nominal MPC degrades in the presence of model uncertainties. Robust MPC can cope with disturbances in a known set, although only few works have shown applications on real-world, robotic systems. Moreover, it has been demonstrated that online adaptation to the unknown parameters can provide MPC with robustness properties with respect to disturbances in a larger domain.
CN · 翻译
然而，名义 MPC 的性能在模型不确定时会退化。鲁棒 MPC 能应对已知集合内的扰动，但只有少数工作展示了它在真实机器人系统上的应用。此外，已有研究表明：对未知参数进行在线自适应，能在更大范围内赋予 MPC 鲁棒性。

③ CLF 作约束：稳定性的经典配方，但还没碰上不确定性

EN · 原文
CLF stability criteria have also been added as constraints in MPC, where stability guarantees are usually obtained with a properly designed terminal cost and terminal constraint. In the absence of such terminal conditions, which are complex to obtain for non-linear problems, MPC relies on the choice of the time horizon, with decreasing performance for smaller look-ahead. Incorporating CLF constraints within MPC allows to exploit the stability properties of CLF-QP controllers, and eases the tuning of the prediction horizon.
CN · 翻译
CLF 稳定性判据也曾作为约束加入 MPC——此时稳定性通常靠精心设计的终端代价与终端约束获得。但在非线性问题里终端条件很难设计；没有它们，MPC 只能依赖预测时域的选择，时域越短性能越差。把 CLF 约束融入 MPC，可以利用 CLF-QP 控制器的稳定性性质，并减轻预测时域的调参负担。不过到目前为止，这些优势还没有在「机器人非线性 MPC 模型存在不确定性」的情况下得到展示。

④ 本文的思路：把自适应里的李雅普诺夫条件「织进」MPC

EN · 原文
Inspired by recent literature, we propose here to combine CLFs with MPC, targeting robotic applications that involve interaction with unknown environments/objects.
CN · 翻译
受近期文献启发，本文提出把 CLF 与 MPC 结合，瞄准涉及未知环境/物体交互的机器人应用。
💡 这是全文最有画面感的一句：“Figure 1: The quadrupedal robot ANYmal pulling a box of 21 kg (at the top), and holding a payload of 10.86 kg (at the bottom).”——21 kg 的箱子、10.86 kg 的负载，就是这套算法的「考试题」。

五、论文贡献（3 个要点）

EN · 原文
1. A Lyapunov-constrained MPC formulation. We consider the Lyapunov condition derived in adaptive control for robotic manipulators, and we incorporate it as an inequality constraint to an MPC problem. Thus, the controller plans for an approximate system model, while ensuring asymptotic tracking in the presence of matched uncertainties. As a result, we combine the optimality of MPC with the advantages provided by CLFs. These include the stability guarantees and a reduced dependence on the prediction horizon.
CN · 翻译
1. 带李雅普诺夫约束的 MPC 公式。采用机器人操作臂自适应控制中推导出的李雅普诺夫条件，把它作为不等式约束加进 MPC 问题。控制器基于近似系统模型规划，同时保证匹配不确定性下的渐近跟踪，从而把 MPC 的最优性与 CLF 的优势（稳定性保证 + 降低对预测时域的依赖）结合起来。
EN · 原文
2. Implementation on a floating-base quadrupedal model. We present the implementation of the proposed formulation on a floating-base model of a quadrupedal robot.
CN · 翻译
2. 在浮动基座四足模型上的实现。给出所提公式在四足机器人浮动基座模型上的具体实现。
EN · 原文
3. Simulation and hardware validation. We validate the proposed setup in a variety of simulations and real-world hardware experiments. The simulations aim to demonstrate the advantages of the proposed approach with respect to some baseline methods. These characterize themselves for the presence/absence of a terminal penalty, the awareness of the model mismatch, or the use of a different adaptation mechanism. The hardware tests showcase a quadrupedal robot carrying bricks and pulling heavy boxes.
CN · 翻译
3. 仿真与真机验证。在多种仿真和真实硬件实验中验证所提方案：仿真对比若干基线方法（有无终端惩罚、是否感知模型失配、使用不同自适应机制）；真机实验展示了四足机器人搬运砖块、拖拽重箱。

六、结论中英对照

EN · 原文
In this paper, we presented an optimal approach that unifies MPC with the online adaptation and the global stability conditions derived in adaptive control. We described a general formulation and an implementation for floating-base systems interacting with objects of unknown dynamic properties. We performed a number of simulations and hardware experiments on a quadrupedal robot, that demonstrated the effectiveness and the necessity of the proposed formulation.
CN · 翻译
本文提出一种最优控制方法，把 MPC 与自适应控制中的在线自适应和全局稳定性条件统一起来；给出针对「与未知动力学特性物体交互的浮动基座系统」的通用公式与实现，并在四足机器人上做了多组仿真与真机实验，证明了所提公式的有效性与必要性。
EN · 原文
Our implementation on a quadrupedal robot can handle external payloads and unknown constant wrenches applied on the base. In future work, we want to extend the method to adapt to extra rigid loads on the legs. In addition, a possible extension of this work would be to consider higher degree-of-freedom manipulators performing highly dynamic motions, such as catching objects, where unknown loads could be attached to any link, and the non-linear effects of more than one body would need to be adapted.
CN · 翻译
四足机器人上的实现可以应对外部负载和作用于基座的未知恒定力螺旋。未来工作将扩展为适应腿部附加刚性负载；另一个可能的扩展是更高自由度的机械臂执行高度动态的运动（如接住物体）——未知负载可能挂在任意连杆上，需要适应多个刚体的非线性效应。

七、编者解读：这篇论文到底讲了什么（大白话版）

  1. 问题：机器人要抱重物、拖箱子，但没人能拿到所有物体的精确模型，连机器人自身的动力学参数都难标定。模型一不准，普通的 MPC（只看最优、不看稳定）性能就会退化，甚至失控。
  2. 做法：把「自适应控制」里推导出的李雅普诺夫条件变成 MPC 的一个不等式约束——MPC 照常做最优规划，但轨迹必须满足这个稳定性判据。于是 MPC 负责「走得好」，CLF 负责「不会翻车」，还顺带减轻了预测时域调参的负担。
  3. 验证：在四足机器人 ANYmal 上做仿真 + 真机：搬 10.86 kg 负载、拖 21 kg 箱子、背砖块，对比了「有无终端惩罚 / 是否感知模型失配 / 不同自适应机制」三类基线，证明这套公式既有效又必要。
  4. 最值钱的观点：稳定性和最优性不是二选一——把稳定性条件「织进」最优控制器，是安全关键机器人控制的通用配方。难点不在理论本身，而在非线性系统里怎么把条件写成一个可解的约束。
  5. 工程意义：救灾机器人搬重物、背伤员时负载完全未知，这种「边干活边自适应」的控制正是落地的关键；对足式机器人 + 移动操作方向，这是一篇非常好的入门精读。
🎯 对保研的启示：这篇论文示范了「理论组合」型工作的写法——两个成熟工具（MPC 与自适应控制）都不新，但组合点（把 Lyapunov 条件写成 MPC 约束）新。复试时讲清「我缝在哪里、为什么这么缝、边界在哪」，比堆砌新名词更有说服力。

八、给准大一的阅读路线图 & 延伸方向

📖 怎么读这篇论文（三遍法）

  1. 第一遍（10 分钟）：只读摘要和术语表，回答三个问题——问题是什么？方法是什么？结果是什么？（答案：模型缺失→自适应；方法：CLF 约束 + MPC；结果：仿真真机都有效。）
  2. 第二遍（20 分钟）：读引言 + 结论，重点体会「名义 MPC 为什么怕不确定性」「CLF 约束解决的是什么」以及未来工作的边界（腿部负载、多体非线性）。
  3. 第三遍（30 分钟）：读引言里的方法文字部分，跳过所有公式和编号，只看文字描述；遇到不懂的术语回查术语表。

🚀 这个方向你能延伸做什么

九、英文摘要朗读（练听力用）

先盲听一遍→再看对照稿→再听一遍。目标是听出每个数字（21 kg 箱子、10.86 kg 负载）和术语（MPC、CLF、adaptive control、quadrupedal robot）。