A Reactive and Efficient Walking Pattern Generator for Robust Bipedal Locomotion
University of Tehran（德黑兰大学）；K. N. Toosi University of Technology（图西理工大学）
现有的可能性，以防止跌倒的机器人在存在严重的干扰，主要是压力中心（CoP）调制，步骤的位置和定时调整，和角动量调节。在本文中，我们的目标是设计一个步行模式发生器，采用这些工具的最佳组合，以产生强大的步态。在该方法中，首先，与命令的行走速度一致地并且基于运动的发散分量（DCM）测量来决定下一个步骤位置和定时。这个阶段是由一个非常小的二次规划（QP）使用线性倒立摆模型（LIPM）的动态，以适应开关触点的位置和时间。然后，与第一阶段一致，使用具有飞轮动力学的LIPM在每个控制周期再生DCM和角动量轨迹。这是通过调制CoP和质心动量枢轴（CMP）来完成的，以在当前步骤结束时实现期望的DCM。仿真结果表明，这种反应式方法的优点，在产生强大的和动态一致的步行模式。
2017-10-24 cs.RO
Orientation-Aware Model Predictive Control with Footstep Adaptation for Dynamic Humanoid Walking
Massachusetts Institute of Technology（麻省理工学院）
提出了一种新的动态仿人步行的方向感知模型预测控制（MPC），可以在线规划脚步位置。而不是一个点质量模型，这项工作使用增强单刚体模型（aSRBM），使MPC利用方向动力学和步进策略在一个统一的优化框架。在足迹位置作为aSRBM中的决策变量的一部分的情况下，MPC可以在运动学约束内推理步进。任务空间控制器（TSC）跟踪MPC输出的身体姿势和摆动腿参考，同时利用人形机器人的全阶动力学。所提出的控制框架是适合于实时应用，因为MPC和TSC制定为二次规划。仿真研究表明，方位感知MPC为基础的框架是更强大的外部转矩干扰相比，国家的最先进的控制器使用点质量模型，特别是当躯干经历大的角偏移。同样的控制框架也可以使麻省理工学院的人形机器人克服不平坦的地形，例如穿越波场。
2022-07-25 cs.RO
One-shot Adaptation of Humanoid Whole-body Motion with Walking Priors
Embodied AI and Robotics (AIR) Lab, NYUAD（纽约大学阿布扎比分校具身人工智能与机器人实验室）；NYUAD Center for Artificial Intelligence and Robotics (CAIR)（纽约大学阿布扎比分校人工智能与机器人中心）；New York University Abu Dhabi（纽约大学阿布扎比分校）；Harvard Ophthalmology AI Lab, Harvard University（哈佛大学眼科人工智能实验室）
本文提出一种高效适应全身体态的方法，利用行走先验和单样本目标生成中间姿态，通过最优传输和几何插值实现碰撞自由配置，实验显示优于基线方法。
2026-04-07 cs.AI cs.RO
Asynchronous Real-Time Optimization of Footstep Placement and Timing in Bipedal Walking Robots
Imperial College London（帝国理工学院）
在线脚步规划是必不可少的双足步行机器人能够在干扰的存在下行走。直到最近，这还只是通过优化足迹的放置并保持脚步的持续时间恒定来实现的。在本文中，我们介绍了一个足迹规划器能够优化足迹的位置和时间在实时的【形】异步结合两个优化，我们称之为异步实时的【形】优化（ARTO）。第一个优化器，运行在约25 Hz，利用四阶龙格库塔（RK4）方法，以准确地近似的线性倒立摆（LIP）模型的动态双足行走，然后使用非线性优化，以找到最佳的脚步和持续时间在较低的频率。以大约250 Hz运行的第二优化器使用从LIP模型的全动态导出的分析梯度和约束惩罚项来执行梯度下降，其以较高频率找到近似最优的脚步放置和定时。通过异步组合两个优化器，ARTO具有对来自梯度下降优化器的干扰的快速反应、避免来自RK4优化器的局部最优的精确解以及增加从两个优化器找到可行解的概率的优点。在实验中，我们表明，ARTO是能够恢复从相当大的推动，并产生可行的解决方案，以更大的参考速度变化比标准的脚步位置优化器，并优于仅使用RK4优化器。
2020-07-02 cs.RO cs.SY eess.SY
Capture Point Trajectories for Reduced Knee Bend using Step Time Optimization
Florida Institute of Human and Machine Cognition（佛罗里达人类与机器认知研究所）；Virginia Tech（弗吉尼亚理工大学）
传统的力控制双足步行利用高度弯曲的膝盖，导致高扭矩以及低效和不自然的运动。即使使用质心高度轨迹的高级规划，由于任意选择的步骤定时，也可能需要大量的膝盖弯曲。在这项工作中，我们提出了一种方法，检查调整步骤的时间，以产生计划，只需要一个指定量的膝盖弯曲执行的影响。我们定义了一个二次规划，优化步骤的时间，并使用一个简单的迭代反馈方法来执行占高阶项。然后，我们说明了该算法的有效性，通过比较步行步态的模拟阿特拉斯人形与没有该算法，表明该算法显着降低了所需的膝盖弯曲执行。我们的目标是以后使用这种方法来实现自然，高效的行走运动的人形机器人平台上。
2017-12-27 cs.RO
Learning Stable and Energetically Economical Walking with RAMone
Robotics and Motion Laboratory (RAMlab), University of Michigan（密歇根大学机器人学与运动实验室）
在本文中，我们优化了我们的平面双足机器人，RAMone，稳定和大力经济的步行在各种速度的控制参数空间。我们将此任务制定为情景强化学习问题，并使用协方差矩阵自适应。我们有兴趣修改的参数包括来自我们的混合零动态风格控制器和RAMone的低级电机控制器的增益。
2017-11-03 cs.RO
A unified framework for walking and running of bipedal robots
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；New York University（纽约大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
在本文中，我们提出了一种新的框架，能够产生各种步行和跑步步态的双足机器人。主要目标是放松线性倒立摆模型（LIPM）的固定质心（CoM）高度假设，并生成更广泛的行走和跑步运动，而不会显着增加复杂性。为此，我们在质心空间中使用虚拟约束的概念，该概念使得能够在保持最小复杂性的同时生成步行之外的运动。通过适当选择这些虚拟约束，我们表明，我们可以生成不同类型的步行和跑步运动。更重要的是，通过反馈强制执行虚拟约束，使动态线性，并使我们能够设计一个反馈控制机制，该机制通过简单的二次规划（QP）来适应下一个步骤的位置和定时。为了证明这个框架的有效性，我们展示了不同的步行和运行模拟的机器人螺栓在存在环境的不确定性和外部干扰。
2021-10-18 cs.RO
Two-Stage Personalized Gait Phase Estimation in Stroke Survivors During Exoskeleton-Assisted Walking: An Offline Feasibility Study
Gwangju Institute of Science and Technology (GIST)（光州科学技术院）
本研究提出两阶段个性化步态相位估计框架，结合IMU对齐和模型适应，在脑卒中幸存者外骨骼行走中显著降低相位误差，验证了离线可行性与嵌入式实时性。
2026-09-15 cs.RO
Distributed Recurrent Neural Forward Models with Synaptic Adaptation for Complex Behaviors of Walking Robots
Institute for Physics - Biophysics, George-Agust-University（乔治-奥古斯特大学物理-生物物理研究所）；Bernstein Center for Computational Neuroscience, George-Agust-University（乔治-奥古斯特大学伯恩斯坦计算神经科学中心）；Riken Brain Science Institute（理化学研究所脑科学研究所）；Maersk Mc-Kinney Moller Institute, University of Southern Denmark（南丹麦大学马士基·麦金尼·穆勒研究所）
行走的动物，如竹节虫，蟑螂或蚂蚁，展示了一系列迷人的运动能力和复杂的行为。运动行为可以包括各种行走模式以及适应，使动物能够应对环境条件的变化，如不平坦的地形，间隙，障碍物等。生物学研究表明，这种复杂的行为是生物力学和神经机制相结合的结果，从而代表了体现相互作用的真正本质。虽然生物力学有助于保持灵活性和维持各种运动，但神经机制在产生运动的同时，做出对实现适应至关重要的适当预测。这种预测或提前计划可以通过基于动物整体行为的内部模型来实现。受这些发现的启发，我们在这里提出了一种人工生物启发步行系统，该系统有效地将生物力学（在身体和腿部结构方面）与潜在的神经机制相结合。神经机制包括：1）基于中央模式发生器的控制，用于产生基本的节奏模式和协调运动，2）分布式（在每个分支处）基于递归神经网络的自适应前向模型，其具有作为用于感觉预测和瞬时状态估计的内部模型的传出副本，以及3）搜索和高度控制，用于使单个腿的运动适应于处理不同的环境条件。使用模拟，我们表明，这种具有自适应内部模型的生物启发方法允许步行机器人执行在昆虫中观察到的复杂的loco- motive行为，包括在起伏的地形上行走，穿越大的间隙以及爬过高障碍物。
2015-06-11 cs.NE cs.RO q-bio.NC
Resolved Motion Control for 3D Underactuated Bipedal Walking using Linear Inverted Pendulum Dynamics and Neural Adaptation
Ohio State University（俄亥俄州立大学）
我们提出了一个框架，以产生周期性的轨迹参考的三维欠驱动双足机器人，使用线性倒立摆（LIP）为基础的控制器与自适应神经调节。我们使用的LIP模板模型来估计机器人的质心（CoM）的位置和速度在当前步骤结束时，并制定一个离散控制器，确定下一个脚步的位置，以实现所需的步行轮廓。该控制器配备了一个基于神经网络的自适应项，减少了模板和物理机器人之间的模型失配，特别是影响横向运动的正面平面。然后，为LIP模型计算的脚放置位置被用来生成实际机器人的任务空间轨迹（CoM和摆动脚轨迹），以实现稳定行走。我们使用一个快速，实时的基于QP的逆运动学算法，从任务空间的轨迹，这使得制定独立的机器人动力学的知识产生联合参考。最后，我们实施和评估所提出的方法在仿真和硬件实验与数字机器人获得稳定的周期性运动的情况下。
2022-08-02 cs.RO cs.SY eess.SY
Learning a Speed-adaptive Hip Exoskeleton Control Policy Via Sim-to-real Reinforcement Learning
Lingnan University（岭南大学）；Southern University of Science and Technology（南方科技大学）
提出结合仿真到现实强化学习与在线偏好学习的框架，解耦辅助时机与幅度优化，实现速度自适应的个性化髋部外骨骼辅助，减少真实世界评估次数。
2026-09-24 cs.RO
Variable Horizon MPC with Swing Foot Dynamics for Bipedal Walking Control
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Amirkabir University of Technology（阿米尔卡比尔理工大学）；Tandon School of Engineering, New York University（纽约大学坦登工程学院）
在本文中，我们提出了一种新的两级可变时域模型预测控制（VH-MPC）框架的双足运动。在这个框架中，更高级别计算落地位置和摆动脚的时间（水平长度），以稳定质心（CoM）动态的不稳定部分，使用来自CoM状态的反馈。较低级别考虑摆动脚动力学，并生成动态一致的轨迹，以便在期望的时间尽可能接近期望的位置着陆。要做到这一点，我们使用一个简化模型的机器人动力学预测摆动脚空间，考虑到关节扭矩的约束，以及摩擦锥的立场脚的约束。我们证明了我们提出的控制框架的有效性，通过实施强大的行走模式，我们的扭矩控制和开源的机器人，螺栓。我们报告广泛的模拟和真实的机器人实验中存在的各种干扰和不确定性。
2021-02-20 cs.RO
Perceptive Mixed-Integer Footstep Control for Underactuated Bipedal Walking on Rough Terrain
GRASP Laboratory, University of Pennsylvania（格拉普斯实验室，宾夕法尼亚大学）
本文提出全栈感知与MPFC混合整数二次规划控制系统，结合在线凸多边形地形分解，使Cassie能在不连续崎岖地形上以超100 Hz实现安全、鲁棒的欠驱动双足行走。
2025-05-10 cs.RO
A Hierarchical Framework to Generate Robust Biped Locomotion Based on Divergent Component of Motion
IEETA（电子与信息工程研究院）；University of Aveiro（阿威罗大学）
保持稳定性是人形机器人走出实验室进入现实环境的基本能力。由于人形机器人具有与人类相似的运动学，因此人类期望这些机器人即使在具有挑战性的情况下也能够鲁棒地稳定，例如当施加严重的推动时。本文提出了一种鲁棒的步行框架，它不仅考虑了传统的推送恢复方法（例如，踝关节、髋关节和步伐策略），而且还使用运动发散分量（DCM）的概念来调整下一步的时间和位置。所提出的框架的控制核心是由一个线性二次高斯（LQG）控制器和两个比例控制器。在这个框架中，LQG控制器试图跟踪参考轨迹，比例控制器被设计为调整下一步的时间和位置，使机器人从严重的推动中恢复。所提出的框架的鲁棒性和性能进行了验证，通过执行一组模拟，包括步行和推恢复使用MATLAB。仿真结果验证了所提出的框架是能够提供一个强大的行走，即使在非常具有挑战性的情况下。
2019-11-18 cs.RO
Phase-based Nonlinear Model Predictive Control for Humanoid Walking Stabilization with Single and Double Support Time Adjustments
Seoul National University（首尔大学）；Hyundai Motor Group（现代汽车集团）；Advanced Institutes of Convergence Technology（融合技术高级研究院）
本文提出了一种基于相位的非线性模型预测控制框架，通过联合优化ZMP调制、步幅位置、SSP和DSP持续时间，实现人形机器人在单支撑和双支撑相中的动态稳定行走控制。
2026-01-04 cs.RO
Optimal Design of a Walking Robot: Analytical, Numerical, and Machine Learning Methods for Multicriteria Synthesis
Institute of Mechanics and Institute of Mechanics and Engineering（力学研究所与力学工程研究所）
本文研究步行机器人的最优设计，提出新型机械结构及整合分析、数值与机器学习的多准则综合方法，首次引入各向同性准则优化参数，并通过物理原型验证了表面适应与LiDAR导航功能。
2025-05-01 cs.RO
Imprecise dynamic walking with time-projection control
EPFL（洛桑联邦理工学院）
我们提出了一种新的步行脚放置控制器的基础上，3LP，一个3D模型的双足步行，是由三个双足模拟下降，摆动和躯干动力学。利用线性方程组和封闭形式的解决方案的3LP模型，我们提出的控制器项目的中间状态的控制器回到一个离散的LQR控制器的设计阶段的开始。投影后，一个适当的控制策略是由这个LQR控制器产生，并在中间时间使用。这种控制模式对干扰立即做出反应，并包括考虑挥杆动力学和腿缩回的规则。我们将其应用到一个模拟的阿特拉斯机器人的位置控制，总是命令执行原地行走。站立髋关节在我们的机器人保持躯干直立，让机器人自然下降，摆动髋关节跟踪所需的脚步位置。结合简单的压力中心（CoP）阻尼规则在低级别的控制器，我们的脚放置使机器人能够从强大的推力恢复，并产生周期性的步行步态时，受到持续的干扰源，外部或内部。这些步态是不精确的，即，从不对称源出现，而不是精确地将所需的速度施加给机器人。此外，在极端条件下，限制线性假设的3LP模型往往被违反，但系统仍然强大的在我们的模拟。对闭环特征值、可行区域和对推定时的敏感性的广泛分析进一步证明了我们简单控制器的优势。
2018-11-09 cs.RO
Bipedal Walking with Corrective Actions in the Tilt Phase Space
University of Bonn（波恩大学）
对于双足机器人，有许多方法可以在行走时保持平衡。除了步长和定时之外，其他策略也是可能的，这些策略影响机器人的稳定性而不干扰目标方向和运动速度。本文介绍了一个多方面的反馈控制器，使用许多不同的反馈机制，统称为纠正措施，稳定的核心关键点为基础的步态。反馈控制器是实验有效的，但没有任何物理模型的机器人，非常计算便宜，只需要一个单一的6轴IMU传感器。由于这些低要求，该方法被认为在机器人之间高度便携，并且还专门设计用于具有次优感测、致动和计算资源的低成本机器人。IMU数据用于估计机器人的与偏航无关的倾斜方向，表示在所谓的倾斜相空间中，并且是由控制器提供的所有反馈的来源。实验验证进行模拟，以及在真实的机器人硬件。
2018-10-12 cs.RO
Brain-Body-Task Co-Adaptation can Improve Autonomous Learning and Speed of Bipedal Walking
University of Southern California（南加州大学）；Division of Biokinesiology and Physical Therapy, University of Southern California（南加州大学生物运动学与物理治疗系（此处按要求提取到大学级别，实际机构为南加州大学））
本研究提出一种肌腱驱动双足机器人，通过脑-体-任务协同适应，利用可反向驱动特性和简单神经网络，在2分钟自然探索后实现自主行走，无需显式轨迹误差控制。
2024-02-04 cs.LG cs.RO
Learning Bipedal Walking on a Quadruped Robot via Adversarial Motion Priors
School of Mechanical Engineering, University of Leeds（利兹大学机械工程学院）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）
本文将融合 Adversarial Motion Priors 的师生学习框架迁移到双足模式四足机器人，实现盲走，并在仿真中验证其可稳定通过平地、楼梯及不平坦地形。
2024-07-02 cs.RO
Enhancing Model-Based Step Adaptation for Push Recovery through Reinforcement Learning of Step Timing and Region
Automation and Control Institute, TU Wien（维也纳工业大学自动化与控制研究所）；Autonomous Systems Lab, TU Wien（维也纳工业大学自主系统实验室）；Institute of Robotics and Mechatronics (DLR), German Aerospace Center（德国航空航天中心机器人与机电一体化研究所（DLR））
本文提出利用强化学习动态调整双足机器人的落脚点区域和步态时机，以扩大可恢复扰动范围，并通过QP规划轨迹和全身控制实现鲁棒推挤恢复。
2024-11-01 cs.RO cs.SY eess.SY
CoRe-MoE: Contrastive Reweighted Mixture of Experts for Multi-Terrain Humanoid Locomotion with Gait Adaptation
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；South China Agricultural University（华南农业大学）；Guangdong University of Technology（广东工业大学）
提出CoRe-MoE两阶段强化学习框架，通过解耦步态生成与地形适应，利用对比学习促进专家专业化，实现人形机器人在多地形下的稳定行走和跑步。
2026-06-15 cs.AI cs.RO
Automatic Gain Tuning for Humanoid Robots Walking Architectures Using Gradient-Free Optimization Techniques
Istituto Italiano di Tecnologia（意大利技术研究院）；The University of Manchester（曼彻斯特大学）；University of Genoa（热那亚大学）；MIT（麻省理工学院）
提出一种基于无梯度优化方法的自动调整仿人机器人分层控制架构增益的方法，发现遗传算法收敛最快且在仿真和真实机器人上均达到100%成功率，有效减少人工干预。
2024-09-27 cs.RO
Nonlinear Model Predictive Control for Robust Bipedal Locomotion: Exploring Angular Momentum and CoM Height Changes
School of Power and Mechanical Engineering, Wuhan University（武汉大学动力与机械学院）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）；School of Mechanical Engineering, University of Leeds（利兹大学机械工程学院）；School of Informatics, The University of Edinburgh（爱丁堡大学信息学院）；Humanoid and Human Centered Mechatronics Research Line, Istituto Italiano di Tecnologia（意大利技术研究院人形与以人为中心的机电一体化研究线）
本研究提出一种具备步位调整、质心高度变化和角动量自适应能力的新型非线性模型预测控制框架，通过非线性倒立摆加飞轮模型构建二次约束二次规划问题并快速求解，生成鲁棒行走模式，经仿真验证了多场景双足行走适应性。
2021-01-25 cs.RO
When and Where to Step: Terrain-Aware Real-Time Footstep Location and Timing Optimization for Bipedal Robots
Imperial College London（帝国理工学院）；ETH Zürich（苏黎世联邦理工学院）
在线脚步规划是必不可少的双足步行机器人，使他们能够在干扰和感官噪声的存在下行走。关于这个主题的大多数文献都集中在优化足迹放置，同时保持步长定时不变。在这项工作中，我们介绍了一个足迹规划能够优化足迹的位置和步骤的时间在线。该规划器由内点优化器（IPOPT）和基于解析梯度下降的增广拉格朗日（AL）方法的优化器组成，实时的求解线性倒立摆（LIP）模型的完整动力学，以200 Hz的速度优化脚步位置和脚步定时。我们表明，这种异步实时的优化AL方法（ARTO-AL）提供了成功的在线足迹规划所需的鲁棒性和速度。此外，ARTO-AL可以扩展到3D规划足迹，允许在不平坦的地形上进行地形感知足迹规划。与没有脚步时间自适应的算法相比，我们提出的ARTO-AL在模拟行走实验中表现出更高的稳定性，因为它可以分别抵抗平地和$10^{\circ}$斜坡上高达120 N和100 N的推力。有关视频，请参阅https://youtu.be/ABdnvPqCUu4。有关代码，请参见https://github.com/WangKeAlchemist/ARTO-AL/tree/master。
2023-02-14 cs.NA cs.RO math.NA
Bipedal Robot Running: Human-like Actuation Timing Using Fast and Slow Adaptations
Nagoya Institute of Technology（名古屋工业大学）
该研究通过设计包含快慢适应的中枢模式发生器，结合弹簧-质量模型和仿生双足机器人，实现了类人跑步，并揭示了CPG在调整肌肉激活时机中的作用。
2024-03-14 cs.RO cs.SY eess.SY
Adaptive Negative Damping Control for User-Dependent Multi-Terrain Walking Assistance with a Hip Exoskeleton
Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院）
提出一种自适应虚拟负阻尼控制策略，通过调整人机系统机械阻抗并结合 Bayesian Optimization，实现髋部外骨骼在多地形环境下的个性化辅助，有效降低代谢成本并保持运动同步。
2025-03-05 cs.RO
Step Timing Adjustment: A Step toward Generating Robust Gaits
K. N. Toosi University of Technology（K. N. 图什理工大学）；Max-Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
人形机器人的步长调整已被证明可以提高步态的鲁棒性。然而，步长自适应往往被忽视的控制策略。在本文中，我们提出了一种方法，结合步骤的位置和时间调整产生强大的步态。在该方法中，基于来自机器人的当前状态的反馈来决定步骤位置和步骤定时。所提议的方法包括两个阶段。在第一阶段，指定下一步骤的标称步骤位置和步骤持续时间或预览的步骤数。在每个步骤开始时完成的这个阶段中，主要目标是指定所需步行速度的最佳步长和步长持续时间。第二阶段是寻找摆动脚在每个控制周期的最佳落地点和落地时间。在此阶段，通过指定摆动脚着陆点与当前步骤结束时的运动发散分量（DCM）之间的所需偏移来保持步态的稳定性。在指定摆动脚在期望时间的着地点之后，摆动脚轨迹在每个控制周期被再生以实现期望的着地特性。不同的情况下的仿真结果表明，从我们提出的方法相比，没有定时调整的情况下，所产生的步态的鲁棒性。
2016-12-12 cs.RO
A compliant ankle-actuated compass walker with triggering timing control
School of Physics, Georgia Institute of Technology, Atlanta, USA（物理学院，佐治亚理工学院，美国亚特兰大）；Electrical and Electronics Engineering, Hacettepe University, Ankara, Türkiye（电子与电气工程，哈科特佩大学，土耳其安卡拉）
本文提出了一种具有触发定时控制的踝关节驱动指南针步行器，通过串联弹性执行器实现非瞬时的踝关节推离，扩展了双足模型的运动能力。
2026-02-06 cs.RO
PhaseSync-Exo: Human Clock Anchored Reference Adaptation for Dynamic Gait Tracking
Tsinghua University（清华大学）
PhaseSync-Exo通过双IMU CNN-Transformer重建和人体时钟锚定适配器，在动态步态跟踪中实现连续相位获取与持续对齐，显著降低相位误差和髋部RMSE。
2026-10-01 cs.RO
Perceptive Variable-Timing Footstep Planning for Humanoid Locomotion on Disconnected Footholds
Mechanical and Aerospace Engineering, The Ohio State University（机械与航空航天工程，俄亥俄州立大学）
本研究提出了一种基于感知的混合整数模型预测控制框架，用于人类oid在断开脚踏板上的运动规划，通过动态调整步长和时间，提高行走的稳定性和鲁棒性。
2026-10-20 cs.RO
Continuously Learning to Detect People on the Fly: A Bio-inspired Visual System for Drones
imec（比利时微电子研究中心）；KU Leuven（鲁汶大学）
本文首次证明了一个生物学上合理的脉冲神经网络（SNN）配备了尖峰定时依赖可塑性（STDP）可以不断学习检测步行的人在飞行中使用视网膜启发，基于事件的相机。我们的管道工作如下。首先，通过飞行无人机捕获行走的人的短事件数据序列（$<2$分钟）被转发到卷积SNNSTDP系统，该系统还从读出器接收教师尖峰信号（形成半监督系统）。然后，停止STDP自适应，并在测试序列上评估学习的系统。我们进行了几项实验来研究系统中关键参数的影响，并将其与传统训练的CNN进行比较。我们表明，与基于事件的相机帧的CNN相比，我们的系统达到了更高的峰值$F_1$分数（+19%），同时实现了在线适应。
2022-02-20 cs.CV cs.RO
Hierarchical Reinforcement Learning Framework for Adaptive Walking Control Using General Value Functions of Lower-Limb Sensor Signals
Department of Biomedical Engineering University of Utah（生物医学工程系 乌得勒支大学）；Alberta Machine Intelligence Institute (Amii) Department of Medicine Department of Computing Science University of Alberta（阿尔伯塔机器智能研究所（Amii） 医学院 计算科学系 阿尔伯塔大学）；Department of Biomedical Engineering Department of Physical Medicine and Rehabilitation University of Utah（生物医学工程系 理疗科 乌得勒支大学）
提出一种HRL框架，利用下肢多传感器GVFs预测信号增强外骨骼地形策略适应，实验表明其可提升多地形分类与决策准确率。
2025-07-22 cs.LG cs.RO
Robust Push Recovery on Bipedal Robots: Leveraging Multi-Domain Hybrid Systems with Reduced-Order Model Predictive Control
Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院）
本文提出一种将双足运动的混合系统模型与降阶模型预测控制相统一的框架，用于实现双足机器人运动中的鲁棒推力恢复，在仿真中验证了其在动态环境下的稳定性和实时可行性。
2025-04-25 cs.RO
Adapting Rapid Motor Adaptation for Bipedal Robots
University of California Berkeley（加州大学伯克利分校）；Carnegie Mellon University（卡内基梅隆大学）
腿运动的最新进展使四足动物能够在具有挑战性的地形上行走。然而，双足机器人本质上更不稳定，因此很难为它们设计行走控制器。在这项工作中，我们利用最新的进展，快速适应运动控制，并将其扩展到双足机器人。类似于现有的作品，我们从一个基本的政策，产生的行动，同时作为输入的估计extrinsics向量从适应模块。这个外部向量包含有关环境的信息，使步行控制器能够快速在线适应。然而，外部估计器可能是不完美的，这可能导致期望完美估计器的基本策略的性能较差。在本文中，我们提出了A-RMA（自适应RMA），它通过使用无模型RL对其进行微调，从而为不完美的外生估计量调整基本策略。我们证明，A-RMA优于一些基于RL的基线控制器和基于模型的控制器在仿真中，并显示zero-shot部署一个单一的A-RMA政策，使双足机器人，卡西，走在各种不同的情况下，在现实世界中超出了它在训练过程中看到的。视频和结果https://ashish-kmr.github.io/a-rma/
2022-09-06 cs.AI cs.CV cs.LG
Online Bipedal Locomotion Adaptation for Stepping on Obstacles Using a Novel Foot Sensor
University of Tehran（德黑兰大学）；École polytechnique fédérale de Lausanne（洛桑联邦理工学院）
在本文中，我们提出了一种新的控制架构的倾斜障碍物上的双足运动的在线自适应。特别是，我们介绍了一种新颖的，具有成本效益的，多功能的脚传感器来检测机器人的脚到地面（碰撞传感器）的接近度。通过采用这种传感器，反馈控制器的实施，以减少在摆动过渡到站立阶段或倾斜的看不见的障碍物上浸泡的冲击力。与基于接触反作用力的传统传感器相比，该传感器在脚接触障碍物之前检测到地面或障碍物的距离，从而提供预测障碍物的预测信息。所提出的碰撞传感器的控制器与另一个导纳控制器相互作用，以调整腿的长度。步行实验表明，成功的运动在看不见的倾斜障碍物，而不降低运动速度与倾斜角为12。脚的位置误差会导致与地面的硬碰撞，这是由于链接和连接的偏转（由大学工具制造）引起的累积误差造成的。拟议的框架大大减少了脚对地面的影响。
2022-12-27 cs.RO
Learning Fast Adaptation with Meta Strategy Optimization
Georgia Institute of Technology（佐治亚理工学院）；Robotics at Google（谷歌机器人部门）
在新场景中行走的能力是足式机器人走向现实世界应用道路上的一个关键里程碑。在这项工作中，我们介绍了Meta Strategy Optimization，这是一种元学习算法，用于训练具有潜在变量输入的策略，可以快速适应目标环境中少量试验的新场景。MSO背后的关键思想是在训练和测试阶段暴露相同的适应过程，即策略优化（SO）。这使得MSO能够有效地学习运动技能以及适合快速适应的潜在空间。我们评估我们的方法在一个真正的四足机器人，并证明成功的适应在各种情况下，包括仿真到现实迁移，步行与削弱电机，或爬上斜坡。此外，我们定量地分析了在模拟环境中的训练策略的泛化能力。真实和模拟实验表明，我们的方法优于以前的方法，在适应新的任务。
2020-02-16 cs.LG cs.RO
TimelyDAgger: Timing-Aware Expert Querying for VLA Policy Improvement
TimelyDAgger通过结合Bridge-PCA特征监控与反馈引导阈值自适应，优化机器人门控DAgger的专家接管时机，提升VLA策略训练效果，并在多数设置下实现更高成功率。
2026-10-05 cs.RO
Open-Set Ego-Noise Separation for Legged-Robot Audition via Annotation-Free Adaptation and Pretrained-Model Transfer
The University of Tokyo（东京大学）
本文提出一种无标注适应的开集自身噪声分离框架，利用RecurGraph选择噪声片段、Transfer-DiT迁移预训练模型，在双足和四足机器人上验证了分离性能提升。
2026-10-14 cs.RO
Online DCM Trajectory Generation for Push Recovery of Torque-Controlled Humanoid Robots
Italian Institute of Technology（意大利理工学院）；University of Genoa（热那亚大学）
我们提出了一种计算效率高的方法，用于在线规划双足步行轨迹与推动恢复。特别是，所提出的方法适合的控制架构，其中发散分量的运动（DCM）是事先计划，并增加了一个步骤适配器，以调整计划的轨迹，实现推动恢复。假设机器人处于单支撑状态，步骤适配器为下一步骤生成新的位置和定时。步进适配器仅在单支撑阶段是活动的，但是所提出的扭矩控制架构也考虑双支撑阶段。步长适配器设计的关键思想是使用时变ZMP轨迹的指数插值来施加初始和最终DCM步长值。这允许我们将推恢复问题转换为二次规划（QP）问题，并使用最先进的优化器在线求解。整体方法进行了验证与扭矩控制的33公斤人形机器人iCub的模拟。实验结果表明，该策略能有效地防止人形机器人在以0.28 m/s的速度行走时摔倒，并能在150 N的外力作用下保持0.05 s。
2019-10-14 cs.RO
Beyond Gait: Learning Knee Angle for Seamless Prosthesis Control in Multiple Scenarios
National University of Singapore（新加坡国立大学）
本文提出基于 transformer 的概率模型 AEPM，利用全身运动输入估计膝关节角度，在多场景中实现高精度与运动模式无缝切换，并为假肢传感器设计提供依据。
2024-04-10 cs.RO
ViBe: Visual Behavior Adaptation for Perceptive Humanoid Whole-Body Control
University of Southern California（南加州大学）
ViBe通过后训练框架，利用预训练视觉编码器和低秩适配器，将运动跟踪器适应为感知控制器，实现零样本模拟到真实迁移，在多项任务中展现鲁棒性。
2026-09-10 cs.RO
Residual-Based Adaptive Kalman Filtering for Legged Robot State Estimation
University of Bremen（不来梅大学）；German Research Center for Artificial Intelligence (DFKI GmbH)（德国人工智能研究中心）；Chalmers University of Technology（查尔姆斯理工大学）
针对四足机器人状态估计中卡尔曼滤波噪声参数难调、固定参数不适用于变步态环境的问题，提出基于残差和新息的协方差自适应方法，在InEKF中实现，实验表明其性能与足端力方法相当，trot步态精度提升25%
2026-08-04 cs.RO
Neural Task Success Classifiers for Robotic Manipulation from Few Real Demonstrations
University of Lincoln（林肯大学）；Lincoln Institute for Agri-Food Technology（林肯农业食品技术研究所）
机器人从少量的演示中学习新的操作任务在不同的领域越来越多地被要求。评估动作质量的分类器模型可以预测任务的成功完成，智能代理可以使用该模型进行动作选择。本文提出了一种新的分类器，学习分类任务完成只有从几个示范。我们对不同的神经分类器进行了全面的比较，例如基于全连接的，基于全卷积的，基于序列2序列的和基于领域自适应的分类。我们还提出了一个新的数据集，包括五个机器人操作任务，这是公开的。我们使用我们的数据集和MIME数据集比较了我们的新分类器和现有模型的性能。结果表明，领域自适应和基于时间的功能，提高成功的预测。我们的新模型，即具有领域自适应和时序特征的全卷积神经网络，在两个数据集中的任务中实现了97.3%和95.5%的平均分类准确率，而没有领域自适应和时序特征的最先进的分类器分别仅实现了82.4%和90.3%。
2021-07-01 cs.AI cs.LG cs.RO
Robot Trains Robot: Automatic Real-World Policy Adaptation and Learning for Humanoids
Stanford University（斯坦福大学）
提出RTR框架，利用机械臂教师辅助人形机器人学生进行安全高效的真实世界强化学习，通过优化动力学编码潜在变量稳定仿真到现实迁移，并在速度跟踪和摆动起身任务中验证了有效性。
2025-08-26 cs.RO
Impact Invariant Control with Applications to Bipedal Locomotion
University of Pennsylvania（宾夕法尼亚大学）
当足式机器人冲击它们的环境时，它们在很短的时间内经历它们的速度的大的变化。测量这些速度并将反馈应用于这些速度是一项挑战，而且由于撞击模型和撞击时间的不确定性而更加复杂。这项工作提出了一个通用的框架，用于适应反馈控制的影响，通过投影的控制目标的子空间是不变的影响事件。所得到的控制器是鲁棒的不确定性的影响事件，同时保持最大的控制权的影响不变的子空间。我们演示了实用的投影上的步行控制器的平面五连杆的机器人和跳跃控制器的兼容的3D双足机器人，卡西。我们的方法的有效性被证明是很好的翻译硬件。
2021-10-01 cs.RO
Central pattern generators evolved for real-time adaptation to rhythmic stimuli
University of Oslo（奥斯陆大学）
提出一种采用仿生CPG的虚拟四足机器人，通过多目标进化算法优化运动速度、方向及波动输入过滤层，使其能自发同步并调整步态以匹配外部节律刺激，从而在形态差异下实现协调运动及学习新模式。
2023-06-28 cs.RO nlin.AO
Uni-VLaT: Whole-Body Tactile Adaptation of VLA Policies for Humanoid Loco-Manipulation
Tsinghua University（清华大学）；Beihang University（北京航空航天大学）；Communication University of China（中国传媒大学）；The University of Hong Kong（香港大学）
针对人形机器人移动操作中物理接触感知不足的问题，提出Uni-VLaT方法，通过引入预测性触觉通路整合全身体触觉信息到VLA策略，显著提升接触丰富任务的成功率。
2026-10-01 cs.RO
Human-Exoskeleton Interaction Portrait
University of Waterloo（滑铁卢大学）；Hamburg University of Technology（汉堡工业大学）；University Health Network（大学健康网络）
本文提出交互画像（IP），通过极坐标可视化肌肉活动与交互力矩的二维分布，揭示HTC与AMTC两种外骨骼控制器对应的不同人机协同适应策略。
2024-03-11 cs.RO
Impact-Invariant Control: Maximizing Control Authority During Impacts
针对足式机器人动态碰撞时速度反馈控制难、碰撞不确定性影响大的问题，提出将控制目标投影到碰撞不变子空间的通用框架，在多类控制器和机器人上验证了性能优势，易部署且为实体机器人应用提供关键支撑。
2024-07-10 cs.RO
Data-driven Adaptation for Robust Bipedal Locomotion with Step-to-Step Dynamics
California Institute of Technology（加州理工学院）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出一种基于步间动态的数据驱动自适应在线框架，使双足机器人Cassie在模型误差、外部扰动和斜坡等未知条件下实现稳定敏捷行走，相比非自适应基线控制器显著提升了给定速度下的行走能力。
2023-08-04 cs.RO cs.SY eess.SY
Ensemble diverse hypotheses and knowledge distillation for unsupervised cross-subject adaptation
Southern University of Science and Technology（南方科技大学）；The University of British Columbia（不列颠哥伦比亚大学）
识别人类的运动意图和活动对于控制可穿戴机器人在复杂环境中行走具有重要意义。然而，人机接口信号通常是用户依赖的，这导致在源主题上训练的分类器在新主题上表现不佳。针对这一问题，设计了集成多元假设和知识蒸馏（EDHKD）方法，实现无监督的跨学科自适应。EDH缓解了源主体的标记数据和目标主体的未标记数据之间的分歧，以准确地分类目标主体的运动模式，而无需标记数据。与以往基于单个学习器的领域自适应方法只能从输入信号中学习一个子集的特征相比，EDH通过引入多个不同的特征生成器来学习不同的特征，从而提高了目标数据分类的准确性，降低了分类的方差，但牺牲了效率。为了解决这个问题，EDHKD（学生）将来自EDH（教师）的知识提取到单个网络中，以保持高效和准确。在2D月球数据集和两个公开的人类运动数据集上，EDHKD的性能得到了理论证明和实验验证。实验结果表明，EDHKD优于所有其他方法。EDHKD可以在上述三个数据集上以96.9%，94.4%和97.4%的平均准确率对目标数据进行分类，计算时间较短（1 ms）。与基准（BM）方法相比，EDHKD提高了1.3%和7.1%的平均准确率分类的目标主体的运动模式。EDHKD还稳定了学习曲线。因此，EDHKD对于提高人类意图预测和人类活动识别系统的泛化能力和效率，从而改善人机交互具有重要意义。
2022-04-15 cs.AI cs.LG cs.RO
Reachability Aware Capture Regions with Time Adjustment and Cross-Over for Step Recovery
Florida Institute for Human and Machine Cognition（佛罗里达人机认知研究所）；University of West Florida（西佛罗里达大学）；Boardwalk Robotics（Boardwalk机器人公司）
本研究针对仿人机器人不稳定恢复问题，提出优化捕获区域计算、交叉步稳定策略及转移阶段时间自适应的平衡增强方案，在Nadia机器人的仿真与硬件实验中验证了崎岖地形行走、扰动恢复等能力。
2023-07-22 cs.RO
Multi-contact MPC for Dynamic Loco-manipulation on Humanoid Robots
University of Southern California（南加州大学）
提出了一种基于多接触模型预测控制（MPC）框架的人形机器人多接触动态轨迹操作控制方法。拟议的框架包括一个多接触动力学模型，能够捕获本地操作中的各种接触模式，例如手与物体接触和脚与地面接触。我们提出的动力学模型表示的对象动态作为一个外力作用在系统上，这简化了模型，使其可行的MPC问题的解决。在数值验证中，我们的多接触MPC框架只需要每个任务的接触时间和所需的状态，让MPC的知识的变化接触模式的预测视野中的本地操作。所提出的框架可以控制人形机器人完成多任务的动态本地操作应用，如有效地拿起和放下物体，同时转向和行走。
2023-03-21 cs.RO cs.SY eess.SY
