https://github.com/leggedrobotics/ocs2

我将详细介绍位于 https://github.com/leggedrobotics/ocs2 的 OCS2 项目，这是一个由 leggedrobotics 团队开发并维护的开源软件库，专注于开关系统的最优控制（Optimal Control for Switched Systems）。以下是对其背景、功能、特点、应用场景及使用方法的全面说明。

1. 项目背景

OCS2（Optimal Control for Switched Systems）是一个用 C++ 编写的工具箱，由苏黎世联邦理工学院（ETH Zürich）的 Robotic Systems Lab（RSL）团队开发，旨在解决机器人和复杂动态系统中的最优控制问题。它特别针对开关系统（Switched Systems），即由多个动态子系统组成并通过离散事件进行切换的系统，提供高效的控制算法和工具。

该项目最初由 Farbod Farshidian 等研究人员开发，并在机器人领域（如四足机器人、移动机械臂等）中得到了广泛应用。OCS2 的设计目标是兼顾计算效率和用户友好性，使其能够部署在计算资源有限的机器人平台上。

• 开源许可: OCS2 遵循 BSD 3-Clause 许可证，允许商业使用、修改和分发，但要求保留版权声明。
• 最新版本: 截至 2025 年 3 月 13 日，项目仍在持续更新，最新稳定版本为 v12.0（2024 年 7 月发布），包括对 C++14 的升级和 MpcNet 功能的集成。

2. 核心功能

OCS2 提供了一系列工具和算法，用于解决最优控制问题，尤其是针对机器人任务中的路径规划和运动控制。以下是其核心功能的详细介绍：

(1) 最优控制算法

OCS2 实现了多种高效的最优控制求解器，适用于连续和开关系统：

• SLQ（Sequential Linear Quadratic）: 基于连续时间域的约束差分动态规划（DDP），用于合成连续输入控制器。
• SQP（Sequential Quadratic Programming）: 基于 HPIPM 的多重拍摄算法，适合处理非线性约束。
• SLP（Sequential Linear Programming）: 基于 PIPG 的序列线性规划。
• IPM（Interior Point Method）: 基于非线性内点法的多重拍摄算法。

这些算法通过动态规划（如 Bellman 方程）和 Riccati 方程求解，计算最优控制策略和开关时间导数。

(2) 路径约束处理

OCS2 支持通过以下方法处理复杂的路径约束：

• 增广拉格朗日法（Augmented Lagrangian）: 用于严格约束。
• 松弛障碍法（Relaxed Barrier）: 用于柔性约束。
  这些方法特别适用于机器人任务中的自碰撞避免、末端执行器跟踪等需求。

(3) 系统建模工具

OCS2 提供了便捷的工具，帮助用户从 URDF（Unified Robot Description Format）模型中设置系统动力学和约束：

• 支持运动学模型和动力学模型，如四足机器人的质心模型（Centroidal Model）。
• 提供**自动微分（Automatic Differentiation）**工具，通过 CppADCodeGen 计算系统动力学、约束和成本函数的导数，确保数值稳定性和高效性。

(4) ROS 接口

为便于在机器人平台上部署，OCS2 集成了 ROS（Robot Operating System）接口：

• 支持实时接收状态测量数据。
• 输出 MPC（Model Predictive Control）策略，供机器人执行。

(5) MPC 与 MRT

OCS2 支持模型预测控制（MPC）和模型参考跟踪（MRT）：

• MPC 接口: 确保以最新状态快速更新求解器。
• MRT 接口: 提供同步机制，避免数据竞争，保证实时性。

(6) 机器人示例

OCS2 内置了多种机器人示例，覆盖常见模型：

• 移动机械臂（Mobile Manipulator）: 运动学模型，目标包括末端跟踪和避障。
• 球形机器人（Ballbot）: 完整动力学模型。
• 四足机器人（Legged Robot）: 质心模型，适用于实时步态规划。

3. 技术特点

OCS2 的设计注重以下特点，使其在机器人控制领域独树一帜：

• 高效性: 算法经过优化，适用于计算资源有限的嵌入式系统。
• 数值稳定性: 使用自动微分和 Riccati 方程求解，避免数值误差。
• 模块化: 用户可以轻松扩展系统动力学、成本函数和约束。
• 实时性: 通过 MPC 和多线程设计，支持高频控制循环。
• 跨平台: 易于在 Ubuntu 上安装，支持 ROS，与常见机器人框架兼容。

4. 应用场景

OCS2 已广泛应用于以下领域：

• 四足机器人: 如 ANYmal，用于实时步态规划和运动控制（参考 Farshidian 等人的 ICRA 2017 论文）。
• 移动机械臂: 实现末端执行器跟踪和自碰撞避免。
• 复杂开关系统: 如工业自动化中的多模态控制。
• 科研与教育: 提供丰富的示例和文档，适合研究人员和学生学习最优控制。

在实际案例中，OCS2 被用于 ANYmal C（四足机器人）结合 4 自由度机械臂的实时 MPC 任务，展示了其在大规模系统中的能力。

5. 安装与使用

以下是安装和使用 OCS2 的简要指南（基于官方文档）：

(1) 安装步骤

• 环境要求: Ubuntu（推荐 20.04 或更高版本），CMake，ROS（推荐 Noetic）。
• 依赖安装:

  sudo apt install liburdfdom-dev liboctomap-dev libassimp-dev doxygen
  

• 克隆仓库:

  git clone [email protected]:leggedrobotics/ocs2.git
  

• 可选依赖:
  • Pinocchio 和 HPP-FCL（多体动力学和碰撞检测）：

    git clone --recurse-submodules https://github.com/leggedrobotics/pinocchio.git
    git clone --recurse-submodules https://github.com/leggedrobotics/hpp-fcl.git
    

  • ocs2_robotic_assets（机器人资产）：

    git clone https://github.com/leggedrobotics/ocs2_robotic_assets.git
    

• 构建:
  使用 Catkin 工具：

  catkin config -DCMAKE_BUILD_TYPE=RelWithDebInfo
  catkin build ocs2
  

(2) 使用方法

1. 定义问题: 创建 OptimalControlProblem 对象，指定系统动力学和成本函数。
2. 选择模型: 根据任务选择运动学、动力学或质心模型。
3. 配置 MPC: 设置 MPC 接口，连接 ROS 话题以接收状态和发布控制指令。
4. 调试与仿真: 使用内置的 Dummy Simulator 在 RViz 中可视化结果。
5. 调参: 调整成本函数和算法超参数，优化性能。

详细教程见 Getting Started。

6. 社区与支持

• 开发者: 项目由 Farbod Farshidian（项目经理）领衔，核心开发者包括 Ruben Grandia、Michael Spieler 等。
• 问题反馈: 可在 GitHub Issues 提交（目前有 46 个开放问题）。
• 文档: 详尽的在线文档（https://leggedrobotics.github.io/ocs2/）和示例代码。

7. 与其他工具的对比

• 与 MATLAB 的 MPC Toolbox 相比: OCS2 更适合嵌入式系统，支持 C++ 和 ROS，计算效率更高。
• 与 MuJoCo 或 Drake 相比: OCS2 专注于最优控制而非物理仿真，适用于实时应用。

8. 总结

OCS2 是一个功能强大且高效的工具箱，专为机器人和开关系统的最优控制设计。它结合了先进的算法、用户友好的接口和实时性支持，是机器人研究和应用的理想选择。无论是四足机器人步态优化，还是工业系统中的复杂控制，OCS2 都能提供可靠的解决方案。

如果你有具体问题或需要代码示例，可以告诉我，我会进一步协助！