Feature-Based Locomotion Controllers

论文信息: ACM SIGGRAPH 2010, Martin de Lasa, Igor Mordatch, Aaron Hertzmann, University of Toronto

Link: 项目主页

一、核心问题

1.1 研究背景

基于物理的角色动画中，创建有效、灵活且真实的运动控制器（locomotion controllers）一直是一个开放性问题。

传统方法的困境：

• 大多数方法使用关节空间（joint-space）表示
• 控制参数化在个体关节动作层面
• 关节动作之间高度非线性和相互依赖
• 难以表达协调的或有风格的动作
• 修改控制器以适应新角色、新风格需要大量重新调整

1.2 核心问题

如何设计一种控制器表示方法，使其具有：

1. 直观性 - 控制参数对应直观的高层属性
2. 灵活性 - 易于修改风格、适应新角色
3. 鲁棒性 - 对身体参数变化不敏感
4. 可复用性 - 控制器可以在不同角色间迁移

1.3 现有方法及其局限性

1.4 本文方法

论文提出了一种基于特征（Feature-Based）的控制器设计方法：

核心思想：

• 控制用高层特征表示，如质心 (COM)、角动量 (AM)、末端执行器位置
• 每个特征用一个目标函数控制
• 多个目标通过优先级优化算法组合

关键创新：

1. 特征表示：用少量直观特征表达复杂运动
2. 优先级优化：严格优先级顺序，避免目标冲突
3. 角动量控制：新的公式，不需要显式指定压力中心 (COP)
4. 无需动作捕捉：所有控制器都是手工设计的，不需要 mocap 或离线优化

二、核心贡献

1. 基于特征的控制框架

   • 用高层物理特征（COM、AM、末端执行器）表达控制
   • 直观、易理解、易修改

2. 优先级优化算法

   • 扩展了 Kanoun et al. 2009 和 de Lasa & Hertzmann 2009 的工作
   • 同时处理加权目标、严格优先级和单侧约束
   • 比加权组合更鲁棒、更易设计

3. 三种 locomotion 控制器

   • 平衡控制器 (Balancing)
   • 站立跳跃控制器 (Standing Jump)
   • 行走控制器 (Walking)

4. 演示多种优势

   • 自然属性自动涌现（手臂摆动、脚跟抬起、髋肩反向旋转）
   • 对身体参数变化鲁棒
   • 控制器可以迁移到完全不同拓扑的角色
   • 运行时可修改风格

三、大致方法

3.1 方法概述

┌─────────────────────────────────────────────────────────────────┐
│                  Feature-Based Control Pipeline                  │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│  1. 定义特征 (Features)                                         │
│     - 质心 (COM)                                                │
│     - 角动量 (AM)                                               │
│     - 末端执行器 (End-effectors)                                │
│                                                                 │
│  2. 为每个特征定义目标函数 (Objectives)                          │
│     - Setpoint 目标                                             │
│     - Target 目标                                               │
│     - Angular Momentum 目标                                     │
│     - Minimum Torque 目标                                       │
│                                                                 │
│  3. 优先级优化 (Prioritized Optimization)                       │
│     ┌─────────────────────────────────────────────────────┐    │
│     │ Priority 1: E_contact (保持脚接触地面)              │    │
│     │ Priority 2: E_COM∥ (保持 COM 在支撑面上方)           │    │
│     │             E_COM⊥ (控制 COM 高度)                   │    │
│     │ Priority 3: E_AM (最小化角动量变化)                 │    │
│     │             E_pose (关节回到休息姿势)                │    │
│     │ Priority 4: ...                                      │    │
│     └─────────────────────────────────────────────────────┘    │
│                                                                 │
│  4. 求解优化问题 → 得到关节力矩 τ 和关节加速度 ¨q                  │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

3.2 特征与目标函数

未知变量向量

在每一帧，控制器求解： $$x = \begin{bmatrix} \tau^T & \ddot{q}^T & \lambda^T \end{bmatrix}^T$$

• \(\tau\): 关节力矩
• \(\ddot{q}\): 关节加速度
• \(\lambda\): 摩擦力锥基底权重

四种目标函数

(1) Setpoint 目标 - 保持特征在某个值

$$E(x) = ||\ddot{y}_d - \ddot{y}||^2$$

其中：

• \(y = f(q)\) 是特征（如 COM 位置）
• \(\ddot{y}_d = k_p(y_r - y) - k_v\dot{y}\) 是期望加速度
• \(y_r\) 是目标值

用途：保持 COM 在脚上方、保持头部稳定等

(2) Target 目标 - 移动到远处目标

直接应用 Setpoint 目标会产生大的冲力。论文提出通过求解边界值问题来计算期望加速度：

给定：

• 当前状态：\((y_0, \dot{y}_0)\)
• 目标状态：\((y_T, \dot{y}_T)\)
• 时间：\(T\)

求解常数 \(a, b\) 使得： $$\ddot{y}_d(t) = \left(1-\frac{t}{T}\right)a + \frac{t}{T}b$$

通过积分得到线性系统： $$\begin{bmatrix} T^2/3 & T^2/6 \ T/2 & T/2 \end{bmatrix} \begin{bmatrix} a \ b \end{bmatrix} = \begin{bmatrix} y_T - y_0 - \dot{y}_0 T \ \dot{y}_T + \dot{y}_0 \end{bmatrix}$$

用途：跳跃时 COM 高度控制、行走时脚在落脚点间移动

(3) Angular Momentum 目标 - 控制角动量

$$E_{AM}(x) = ||\dot{L}_d - \dot{L}||^2$$

$$\dot{L}_d = k_p(L_r - L)$$

• \(L_r\): 参考角动量（平衡/行走时设为 0）
• \(L = P J \dot{q}\): 关于 COM 的角动量

创新点：

• 不需要指定压力中心 (COP)
• 不依赖接触力知识
• 适用于平衡、跳跃、行走

(4) Minimum Torque 目标 - 最小化关节力矩

$$E_{\tau}(x) = ||\tau||^2 = ||\begin{bmatrix} S & 0 \ 0 & I \end{bmatrix} x||^2$$

• \(S\): 选择矩阵（对角为 1 的关节是被动的）

用途：行走时让手臂自然摆动（最小化肩/肘力矩）

3.3 优先级优化

问题：加权组合的缺陷

传统方法使用加权组合： $$E(x) = \sum_i \alpha_i E_i(x)$$

问题：

• 不同目标会"打架"
• 调参困难
• 数值敏感

解决方案：优先级优化

给定有序目标列表 \(E_1, E_2, ..., E_N\)，递归定义为：

$$h_i = \min_x E_i(x)$$ $$\text{subject to } E_k(x) = h_k, \forall k < i$$ $$C(x) = 0, Dx + f \geq 0$$

含义：

• 第一步：\(\min E_1(x)\)，受动力学约束
• 第二步：\(\min E_2(x)\)，受\(E_1(x) = h_1\)约束
• 依此类推...

高效求解算法

关键观察：二次最优解位于线性子空间上

方法 1：线性约束法 (Kanoun et al. 2009)

• 将 \(E_k(x) = h_k\) 转换为线性约束 \(A_k(x - x^*_k) = 0\)
• 用 N 个 QP 递归求解
• 缺点：约束数量增加导致数值不稳定

方法 2：重参数化法 (本文采用)

对于 \(E_1(x) = ||A_1 x - b_1||^2\)，最优解空间参数化为： $$x(w) = C_1 w + d_1$$

• \(C_1 = \text{null}(A_1)\)：零空间基底（通过 SVD 计算）
• \(d_1\): 满足约束的任意最小解（通过 QP 求解）

然后第二个目标重参数化为： $$E_2(w) = ||A_2 C_1 w + A_2 d_1 - b_2||^2$$

求解第二个 QP： $$d_2 = \arg\min_w E_2(w)$$ $$\text{subject to } D C_1 w + D d_1 + f \geq 0$$

最终解：\(x^* = C_1 d_2 + d_1\)

完整算法

Algorithm 1: Constrained Quadratic Prioritized Solver

输入：N 个目标 (A_i, b_i)，约束 (C, D, f)
输出：最优解 x*

1: C̄ ← I, d̄ ← 0
2: for i = 1 to N do
3:   Ā_i ← A_i C̄
4:   b̄_i ← b_i - A_i d̄
5:   d_i ← argmin_w ||Ā_i w - b̄_i||²
6:        subject to D' C̄ w + D' d̄ + f' ≥ 0
7:   if 问题不可行 then
8:     return d̄
9:   end
10:  d̄ ← d̄ + C̄ d_i
11:  if Ā_i 满秩 then
12:    return d̄
13:  end
14:  C̄ ← C̄ null(Ā_i)
15: end
16: return d̄

四、训练（控制器设计）

4.1 平衡控制器

目标优先级：

设计细节：

优先级 1：脚接触

• Setpoint 目标
• 目标值：脚底点投影到地面

优先级 2：线性动量调节

• \(E_{COM|}\): COM 水平分量 → BOS 质心
• \(E_{COM\perp}\): COM 垂直分量 → 80% 最大 COM 高度

优先级 3：剩余冗余

• \(E_{AM}\): 阻尼不需要的旋转
• \(E_{pose}\): 中性姿势（膝盖微弯）

4.2 跳跃控制器

状态机：

STAND → COMPRESS → THRUST → ASCENT → DESCENT → IMPACT → STAND

各阶段动作：

跳跃变体：

(1) 扭转跳跃

• 在 THRUST 阶段指定非零垂直角动量
• \(L_r \neq 0\) 产生旋转

(2) 空中踢腿/劈叉

• 在飞行阶段改变 \(y_{ankle}^r\)
• 围绕用户指定轴旋转踝偏移

(3) 向前跳跃

• THRUST 阶段在行进方向命令小的 COM 位移
• 飞行阶段修改踝轨迹准备落地

4.3 行走控制器

状态依赖目标

脚控制状态机：

每只脚：SWING → PLANT → SUPPORT → HEELOFF → SWING...

脚控制目标：

• 接触状态 (PLANT, SUPPORT, HEELOFF): \(E_{contact}\)

  • 脚的前/后/四个角保持接触

• 摆动状态 (SWING): \(E_{swing}\) (Target 目标)

  • 抬脚到步高\(h\)，然后向前移动
  • 脚跟和脚趾分别控制

摆动脚目标位置： $$y_{swing|}^r = y_{stance} - 2\alpha l_{hip} d_{\perp} + l_{step} d_{|}$$

• \(l_{step}\): 步长
• \(l_{hip}\): 髋部移动
• \(d_{|}\): 行进方向
• \(d_{\perp}\): 垂直方向

COM 控制：

COM 沿正弦路径前进： $$y_{COM|}^r(\phi) = \phi p_1 + (1-\phi)p_0 + \alpha l_{hip}\sin(\pi\phi)d_{\perp}$$

• \(\phi \in [0,1]\): 相位变量
• \(p_0, p_1\): 初始和目标位置

同步机制：

• COM 轨迹持续时间 = 上一摆动相持续时间
• 简单的反馈机制鼓励稳定极限环

状态独立目标

行走参数（可运行时调整）：

4.4 动力学约束

等式约束

运动方程： $$M(q)\ddot{q} + h(q, \dot{q}) = \tau + J_c^T f_c$$

• \(M\): 关节空间惯量矩阵
• \(h\): Coriolis/离心力和重力
• \(J_c\): 接触力雅可比
• \(f_c = V\lambda\): 摩擦力锥基底表示的接触力

整理得到： $$C(x) = \begin{bmatrix} I & -M & J_c^T V \end{bmatrix} x - h = 0$$

不等式约束

地面接触：

• 接触力必须严格排斥
• 尊重摩擦约束
• 使用非穿透约束（比零加速度约束更稳定）

$$\lambda \geq 0$$ $$a_c = V^T J_c \ddot{q} + V^T \dot{J}_c \dot{q} + \dot{V}^T J_c \dot{q} \geq 0$$

关节限制：

• 当关节到达限制时添加额外约束
• 防止不自然姿势

力矩限制： $$-\tau_{max} \leq \tau \leq \tau_{max}$$

五、实验与结论

5.1 实现细节

• 模拟器: Featherstone 算法 + 半隐式积分
• 地面接触: 非弹性脉冲模型，摩擦系数μ=1
• 性能: Dual Core 3GHz Xeon, 4GB RAM, 50-100% 实时
• 角色: 35 DOF, 北美男性 50 百分位

5.2 结果展示

平衡与跳跃

• 从平衡控制器到跳跃控制器只需简单修改
• 仅改变 3 个参数（蹲下深度、推力时间、参考角动量）
• 控制器对骨骼属性变化鲁棒
• 着陆一致性好

行走风格

风格示例：

• 快走、慢走
• "悲伤"行走：手放口袋、头前倾、身体前倾、膝盖弯曲

风格修改的便捷性：

• 直接调整参数（表 2）
• 特征解耦：如躯干倾斜角不直接影响速度
• 可以运行时修改

身体形状变化

实验：

1. 肢体放大 2 倍：质量、惯量相应缩放 → 控制器仍然工作
2. 不同拓扑角色：婴儿、鸵鸟、恐龙 → 控制器无需修改

关键：特征独立于角色拓扑（除了休息姿势）

5.3 优先级优化 vs 加权优化

实验观察：

• 用加权优化无法生成跳跃动作（数值敏感、不可行）
• 行走控制器用加权优化时，手臂会"乱挥"
• 优先级优化下，跟踪误差被限制在高优先级目标

六、局限性

1. 某些动作难以生成

   • 需要大幅矢状面惯性变化的动作（如侧手翻、后空翻）
   • 当前目标/优先级组合不足以表达

2. 步行脚放置策略有限

   • 运行时修改髋移、摆动时间、步长需要协调
   • 必须确保 COM 足够靠近支撑脚
   • 控制器对扰动的鲁棒性有限（因为轨迹在世界坐标定义）

3. 计算成本

   • 优先级优化比加权优化慢
   • 每个优先级需要求解 QP + SVD
   • 需要双精度算术保证数值稳定

4. 实现复杂度

   • 比加权优化更复杂
   • 需要处理零空间计算、SVD 分解

5. 约束切换敏感

   • 接触点数量快速变化时可能产生噪声力矩
   • 雅可比矩阵可能秩亏（机器精度级别）

七、启发

7.1 方法学启发

1. 特征空间表示的优势

   • 提供控制设计的抽象层
   • 解耦不同控制目标
   • 使推理运动更直观

2. 优先级优化的设计哲学

   • 分层设计：先保证基础（平衡），再添加细节（风格）
   • 避免目标冲突
   • 类似人类运动控制的"最小干预原理"

3. 角动量控制的新公式

   • 不需要 COP 轨迹
   • 适用于多种运动模式
   • 简化了实现

7.2 工程实践启发

1. 无需动作捕捉或优化

   • 所有控制器手工设计
   • 降低了数据依赖
   • 更易于理解和修改

2. 参数直观性

   • 参数对应物理量（如 COM 高度、步长）
   • 调参过程更直观
   • 风格可以在运行时修改

3. 角色迁移能力

   • 特征独立于拓扑
   • 同一控制器可用于不同角色
   • 自动计算雅可比和目标项

7.3 与后续工作的联系

• 本文是 Mordatch et al. 2010 "Robust Physics-Based Locomotion" 的基础
• 后续的 AMP、ASE 等工作采用数据驱动方法，但控制层次化思想一脉相承
• 优先级优化思想在机器人领域广泛应用

八、遗留问题

8.1 开放性问题

1. 更复杂的动作

   • 如何生成侧手翻、后空翻等需要大幅惯性变化的动作？
   • 需要什么样的额外特征/目标？

2. 更鲁棒的脚放置

   • 如何设计对扰动更鲁棒的脚放置策略？
   • 是否需要在线规划？

3. 自动优先级学习

   • 优先级顺序能否从数据中学习？
   • 能否自动发现合适的特征？

4. 与数据驱动方法结合

   • 如何将特征空间方法与 mocap 数据结合？
   • 能否学习特征目标函数？

5. 实时应用

   • 如何加速优先级优化以满足实时要求？
   • 能否用近似方法？

8.2 未来方向

论文提到后续工作：

• Mordatch et al. 2010: 提出规划策略解决脚放置问题
• 扩展到更多运动类型（投掷、操作物体）
• 结合学习和优化

九、关键公式总结

十、代码与资源

• 项目主页: http://www.dgp.toronto.edu/~mdelasa/feature
• 视频: 项目主页提供演示视频（平衡、跳跃、行走、不同风格、不同角色）
• 代码: 未公开

笔记说明：本文是基于物理的角色控制领域的经典工作，提出了基于特征的控制框架。理解本文有助于学习后续的 Physics-Based Character Control 方法，特别是理解控制层次化、优先级优化等核心概念。与 ASE、AMP 等数据驱动方法相比，本文代表了手工设计控制器的巅峰。