Adapting Gait Frequency for Posture-regulating Humanoid Push-recovery via Hierarchical Model Predictive Control
Department of Aerospace and Mechanical Engineering, University of Southern California（航空航天与机械工程系，南加州大学）
本文提出一种基于分层MPC的仿人机器人推力恢复方法，通过适应步态频率和姿态感知规划器，在未知干扰下快速恢复并调节身体姿态，仿真显示最大可恢复冲量平均提升131%，硬件实验中恢复步态时机提前125毫秒。
2025-05-28 cs.RO cs.SY eess.SY
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
DeepQ Stepper: A framework for reactive dynamic walking on uneven terrain
New York University (NYU)（纽约大学）；Max-Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
由于非线性动力学模型的捕获区域计算困难，机器人的反应式步进和推力恢复通常仅限于平坦地形。在本文中，我们通过使用强化学习来近似学习此类系统的3D捕获区域来解决这一限制。我们提出了一种新的3D反应步进器，DeepQ步进器，它使用由动作-价值函数近似的3D捕获区域来计算以不同速度行走的最佳步骤位置。我们证明了学习的方法，一个简化的三维摆模型和一个完整的机器人动力学步进的能力。此外，步进器在学习近似捕获区域时实现了更高的性能，同时考虑到在基于简化模型的现有反应式步进器中经常被忽略的机器人的整个动态。DeepQ步进器可以处理带有障碍物的非凸地形，在像垫脚石这样的受限表面上行走，并以恒定的计算成本从外部干扰中恢复。
2020-10-28 cs.RO
Reachability Map for Diverse Balancing Strategies and Energy Efficient Stepping of Humanoids
University of Edinburgh（爱丁堡大学）
在腿式运动中，不同步态行为与能量消耗之间的关系必须考虑全身动力学和机器人控制作为一个整体，这不能通过简单的模型来捕捉。本研究将机器人动力学与全身最优控制视为一耦合系统，探讨平衡恢复时的能量消耗。我们开发了一个用于动态步进的2阶段非线性优化管道，该管道生成显示复杂能量步进关系的可达性图。我们优化步态参数，搜索所有可到达的位置，并量化动态过渡过程中的能量成本，这使得研究能量消耗和步进位置之间的关系，给定不同的初始条件。我们发现，为了实现有效的驱动，步进位置和定时可以具有接近基本最优性的简单近似。尽管这个非线性过程的复杂性，我们表明，接近最小的努力步进位置属于一个区域内的吸引力，而不是一个狭窄的解决方案空间建议一个简单的模型。这为机器人运动规划和控制中近似最优解的非唯一性以及人类步进行为的多样性提供了新的见解。
2021-05-03 cs.RO cs.SY eess.SY
Reactive Stepping for Humanoid Robots using Reinforcement Learning: Application to Standing Push Recovery on the Exoskeleton Atalante
Wandercraft；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Université Paris-Dauphine, PSL（巴黎多芬大学，巴黎文理研究大学）
最先进的强化学习现在能够在模拟中学习双足机器人的多功能运动，平衡和推动恢复能力。然而，现实的差距大多被忽视，模拟结果很难转移到真正的硬件。要么是由于物理学过于简化和忽略了硬件限制而在实践中不成功，要么是规则性得不到保证，可能会发生意外的危险运动。本文提出了一种强化学习框架，能够学习强大的站立推恢复的双足机器人，顺利地转移到现实中，只提供瞬时本体感受的意见。通过结合初始终止条件和策略平滑条件，我们实现了稳定的学习，仿真到现实迁移和安全使用的策略没有记忆，也没有显式的历史。然后，奖励工程被用来提供如何保持平衡的见解。我们展示了它的性能在现实中的下肢医疗外骨骼Atalante。
2022-07-31 cs.RO
Torque-Controlled Stepping-Strategy Push Recovery: Design and Implementation on the iCub Humanoid Robot
Istituto Italiano di Tecnologia（意大利理工学院）
机器人社区面临的挑战之一是部署能够在现实世界中与人类一起可靠操作的机器人。对足式机器人的一个关键要求是能够正确地平衡它们的脚，拒绝外部干扰。iCub是一种最先进的人形机器人，最近才开始用脚保持平衡。虽然目前的平衡控制器已被证明在各种情况下是成功的，但它仍然无法通过采取步骤对强推力做出适当反应。本文就是朝这个方向发展的。它提出并实现了基于捕获点概念的控制策略[1]。而不是依赖于位置控制，像大多数捕获点相关的方法，所提出的策略产生的参考动量为基础的扭矩控制器已经实施的iCub，从而扩展其能力，以应对外部干扰，同时保留扭矩控制的优势时，与环境相互作用。在凉亭模拟器和iCub人形机器人上的实验验证了所提出的策略。
2017-05-30 cs.RO
Walking-by-Logic: Signal Temporal Logic-Guided Model Predictive Control for Bipedal Locomotion Resilient to External Perturbations
Georgia Institute of Technology（佐治亚理工学院）
本文首次将信号时序逻辑引导的模型预测控制用于双足运动推挤恢复，生成同时满足任务规范并最大化鲁棒性的安全轨迹，在交叉腿动作和踏脚石选择等任务中优于现有控制器。
2023-09-22 cs.RO
Integration of Riemannian Motion Policy with Whole-Body Control for Collision-Free Legged Locomotion
Manning College of Information and Computer Sciences at University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校曼宁信息与计算机科学学院）
本研究首次将RMPflow扩展至欠驱动动态足式系统，提出基于RMP流的全身控制框架，仿真验证平衡鲁棒性最高提升53%，并通过自研点足双足机器人的原地踏步实验验证了方案可行性。
2023-11-06 cs.RO
PokeRRT: Poking as a Skill and Failure Recovery Tactic for Planar Non-Prehensile Manipulation
University of Colorado Boulder（科罗拉多大学博尔德分校）
提出 PokeRRT 运动规划算法，将戳刺作为一种非抓持操作技能及失败恢复策略，与抓取放置协同提升操作弹性，实验证明其在杂乱环境中规划轨迹高效，且在成功率和任务时间上优于推挤与抓取。
2024-06-04 cs.RO
Study of Humanoid Push Recovery Based on Experiments
Robotics and AI Lab, IIIT Allahabad（阿拉哈巴德印度信息技术学院机器人与人工智能实验室）；IIIT Allahabad（阿拉哈巴德印度信息技术学院）
人类在一定程度上可以从Push up中进行协商和恢复。推动恢复能力随着年龄的增长而增长（儿童的推动恢复能力比成人差），并且它是基于学习。例如，摔跤运动员比普通人有更好的推压恢复，然而，我们不知道反应性推压恢复的机制。我们试图通过几个实验来了解人类的学习机制。实验的受试者被选为右撇子和左撇子。从后面诱导推，闭上眼睛观察运动动作，以及睁开眼睛观察基于学习的反应性行为。重要的观察表明，左撇子和右撇子的人谈判推动不同（相反的方式）。本研究描述了一些细节的实验和分析的结果，主要是从关节角度的变化（包括踝关节和髋关节）作为扰动的表现。在通过高阶多项式平滑捕获的数据后，我们将它们馈送到我们的模型中，该模型是利用倒立摆的物理特性开发的，并将其配置为我们实验室中Webot仿真框架中的主题代表。在每种情况下，模型也可以从相同范围的扰动的推动恢复，这证明了模型的正确性。因此，该模型现在可以提供更大的洞察力，推动恢复机制，并可用于确定推动恢复策略的人形机器人。本文认为，推送恢复是软件工程问题，而不是硬件问题。
2014-05-18 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
Push Recovery of a Position-Controlled Humanoid Robot Based on Capture Point Feedback Control
University of Tehran（德黑兰大学）
本文采用踝关节和髋关节相结合的策略对一个位置控制的人形机器人进行了推力恢复。踝关节策略和髋关节策略分别相当于压力中心（CoP）和质心力矩枢轴（CMP）调节。为了控制CMP和CoP，我们需要扭矩控制机器人，然而大多数传统的人形机器人是位置控制的。在这方面，我们提出了一个有效的方式来实现的髋关节和踝关节的位置控制的人形机器人的战略。我们采用反馈控制器来补偿捕获点误差。使用我们的计划，一个简单而实用的推动恢复控制器的设计，可以实现在大多数传统的人形机器人，而不需要扭矩传感器。通过SURENA-Mini人形机器人在剧烈推力下的推力恢复实验，验证了该方法的有效性。
2017-10-29 cs.RO
Data Driven Computational Model for Bipedal Walking and Push Recovery
Indian Institute of Information Technology Allahabad（印度信息技术学院阿拉哈巴德分校）
在本研究中，我们开发了数据驱动的计算步行模型，以克服传统的基于运动学的模型的问题。该模型具有自适应性，可以调整与人体形态相似的参数。人类行走是不同离散子阶段与其连续动态的组合。任何表现出离散切换逻辑和连续动态的系统都可以用混合系统来表示。在这项研究中，双足运动进行了分析，这是重要的理解的稳定性和协商与外部扰动。我们还研究了其他重要的行为推动恢复。Push恢复也是人类通过与环境的持续交互而获得的一种非常重要的行为。研究人员正在努力开发必须具有推动恢复能力的机器人，以便在动态环境中安全机动。在杂乱的环境中，推是一种非常常见的现象。人体可以通过髋、膝、踝关节不同的蹬伸策略从一定程度上恢复。不同的人有不同的推动恢复能力。例如，摔跤手与正常人相比具有更好的推动协商能力。因此，人类获得的推送协商能力是基于学习的，但学习机制仍然是未知的研究人员。世界各地的研究界正在试图开发各种人形模型来解决这个谜团。鉴于所有传统的基于力学和控制的模型都有一些固有的局限性，基于学习的计算模型已经被开发来有效地解决这个问题。在这项研究中，我们将讨论我们如何将这个问题框架为混合系统。
2017-10-18 cs.RO
ContactIPM: A Structure-Exploiting Interior-Point Solver for Contact-Implicit Trajectory Optimization
本文提出ContactIPM，结合接触优化的结构利用与原始-对偶特性，在MPCC基准测试中部分场景速度优于CRISP、IMPACT，提升了接触隐式轨迹优化的求解性能。
2026-08-13 cs.RO
Robust-Locomotion-by-Logic: Perturbation-Resilient Bipedal Locomotion via Signal Temporal Logic Guided Model Predictive Control
Georgia Institute of Technology（佐治亚理工学院）
本文首次将信号时序逻辑引导的模型预测控制用于双足运动，通过解析稳定性度量和数据驱动碰撞约束实现抗平移与旋转扰动的鲁棒恢复，并在Cassie机器人上完成仿真与硬件验证。
2024-11-19 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
A Predictive Momentum-Based Whole-Body Torque Controller: Theory and Simulations for the iCub Stepping
Istituto Italiano di Tecnologia（意大利理工学院）
在平衡时，人形机器人很容易受到外部推力等意外干扰。在这些情况下，作为步骤的反应性运动成为必要的要求，以避免潜在的有害跌倒状态。在本文中，我们设想了一个模型预测控制器，它确定了所需的一组接触扳手通过预测未来的演变的机器人，同时考虑到约束切换的情况下的步骤。通过这种策略计算的控制输入，即所需的接触扳手，通过修改目前在iCub上实现的基于动量的全身扭矩控制器，直接在机器人上获得。所提出的方法是通过模拟在步进的情况下进行验证，显示高鲁棒性和可靠性时，执行恢复策略。
2017-07-28 cs.RO
RoboCup 2019 AdultSize Winner NimbRo: Deep Learning Perception, In-Walk Kick, Push Recovery, and Team Play Capabilities
Univ. of Bonn（波恩大学）
个人和团队的能力每年都受到规则变化和RoboCup Humanoid League足球队不断提高的表现的挑战。对于AdultSize类的RoboCup 2019，球员数量（2对2场比赛）和场地尺寸都有所增加，这需要团队协调以及强大的视觉感知和定位模块。在本文中，我们介绍了NimbRo团队赢得足球锦标赛，drop-in游戏，技术挑战和2019年悉尼RoboCup Humanoid League最佳人形机器人奖的最新进展。这些发展包括一个深度学习视觉系统，步行踢，基于步骤的推恢复，和团队合作战略。
2019-12-17 cs.RO
Study of Human Push Recovery
University of Edinburgh（爱丁堡大学）
用于人形机器人的行走和推动恢复控制器多年来一直在进步，而导致不期望行为的未解决的差距仍然存在。由于以往的研究主要是纯工程方法，而利用数据驱动的方法在控制领域取得了令人瞩目的成就，因此我们为探索人类应用的控制规律设定了动力。成功的发现可能有助于填补当前基于工程的控制器的空白，并有可能提高性能。在这篇论文中，我们展示了我们完整的设计和实现了一组实验来收集和处理人体数据，以及数据分析模型拟合。使用收集到的经过处理的运动数据和力数据，我们导出参与者质心的位置、速度和加速度，以形成由推力方向定义的一维点质量模型。因此，我们发现，比例微分（PD）控制可以描述的基本控制规律，人们使用和不同的PD增益设置为不同阶段的推恢复试验在我们的研究范围内。我们最终的PD控制拟合的平均均方根误差低于0.1m，平均考虑了90%以上的试验数据点。我们还探讨了PD控制模型使用的不同误差度量如何影响其性能，但我们提出的两个度量都不能帮助提高性能。最后，我们有关于人们如何根据推开始时的质心属性切换推恢复策略的统计数据。我们发现，更进一步的质心是从稳定状态点和更高的速度，它有一个人更有可能作出一个步骤的推力补偿。
2018-10-22 cs.RO
Multi-Contact Whole-Body Force Control for Position-Controlled Robots
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Université de Lorraine（洛林大学）
针对位置控制机器人无法直接控制接触力的问题，提出SEIKO流水线，利用柔性模型和两个二次规划实现间接力控制，并在Talos机器人上验证了多种多接触场景的有效性。
2024-05-22 cs.RO
Robust Disturbance Rejection for Robotic Bipedal Walking: System-Level-Synthesis with Step-to-step Dynamics Approximation
California Institute of Technology（加州理工学院）
我们提出了一个步进稳定控制，解决外部推动双足步行机器人的干扰。步进控制是基于被控制为具有近似恒定的质心（COM）高度的机器人的步进（S2 S）动力学来合成的。我们首先学习一个线性的S2 S动态与有界模型的差异，从机器人的不受干扰的步行行为，其中步行步长作为控制输入的S2 S动态。然后，外部推动被认为是对学习的S2 S（L-S2 S）动态的干扰。然后，我们应用系统级综合（SLS）的方法对受干扰的L-S2 S动态鲁棒稳定的机器人所需的步行，同时满足机器人的运动学约束。我们成功地实现了所提出的方法对步行的两足机器人琥珀色和卡西受到推动干扰，表明该方法是通用的，有效的，和计算效率的鲁棒干扰抑制。
2022-01-26 cs.RO
Reactive Locomotion Decision-Making and Robust Motion Planning for Real-Time Perturbation Recovery
Georgia Institute of Technology（佐治亚理工学院）
在本文中，我们研究的问题，推动恢复双足机器人运动，并提出了一个反应性的决策和鲁棒规划框架运动弹性外部扰动。拒绝扰动是一个基本的能力，双足机器人，并已被广泛研究的运动文献。然而，对抗性干扰和侵略性转向可导致负的横向步长（即，交叉腿场景）具有不稳定运动和自碰撞风险。这些运动规划问题在计算上是困难的，并且还没有在分层集成的任务和运动规划方法下进行探索。我们探讨了一个规划和决策框架，紧密联系的线性时间逻辑为基础的反应合成与轨迹优化，结合机器人的全身动力学，运动学和腿部碰撞避免的限制。在高层次的离散符号决策和低层次的连续运动规划之间，行为树作为一个反应接口来处理运动过程中任何时候发生的扰动。我们的实验结果表明，我们的方法在产生弹性恢复行为响应于不同的扰动从任何方向与有界的幅度的有效性。
2022-03-02 cs.RO cs.SY eess.SY
Whole-body MPC and sensitivity analysis of a real time foot step sequencer for a biped robot Bolt
LAAS-CNRS（法国国家科学研究中心自动化与系统分析实验室）；Université de Toulouse（图卢兹大学）；Artificial and Natural Intelligence Toulouse Institute（图卢兹人工与自然智能研究所）
针对双足机器人 Bolt，本文提出全身 MPC 与实时步序器协同控制框架，并通过仿真验证速度跟踪及扰动恢复能力，同时给出步序问题的理论灵敏度分析。
2024-12-02 cs.RO
Watch Your Step: Real-Time Adaptive Character Stepping
一种有效的、计算速度快、鲁棒性强、易于实现的三维步进控制算法对角色动画的研究具有重要的意义。在本文中，我们提出了一种新的技术，用于生成动态的，交互式的，可控的步进运动。我们的方法使用低维基于物理的模型来创建平衡的人形化身，可以处理各种交互情况，例如地形高度移动和推动用力，同时保持直立和平衡。我们通过将流行的倒立摆模型与踝关节反馈扭矩和可变腿长机制相结合来实现这一点，以创建一个可控的解决方案，该解决方案可以实时的【形】适应不可预见的情况，而无需关键帧数据，任何离线预处理或在线优化关节扭矩计算。我们解释和解决过度简化和限制的基本IP模型和扩展模型的原因，通过额外的控制机制。我们展示了一种简单而快速的方法，用于扩展基于踝关节扭矩和可变腿长近似的IP模型，而不会阻碍非常有吸引力的特性（即，计算速度，鲁棒性和简单性），这使得IP模型非常适合用于生成直立响应的平衡运动。最后，虽然我们的技术侧重于下半身运动，但它可以处理小和大的推力，即使在地形高度变化。此外，我们的模型有效地创建类人的运动，合成低层次的直立踏步运动，并可以与额外的控制器技术相结合，产生全身自主智能体。
2022-10-26 cs.GR cs.HC cs.RO
Comparison Study of Well-Known Inverted Pendulum Models for Balance Recovery in Humanoid Robot
IEETA（电子与信息工程研究院）；University of Aveiro（阿威罗大学）
双足机器人由于其复杂的运动学和高维的状态空间动力学而基本上是不稳定的，因此稳定行走的控制和生成是一个复杂的课题，并且仍然是机器人界的活跃课题之一。如今，有许多类人机器人执行稳定的行走，但很少有在推动下表现出有效的推动恢复。在本文中，我们首先回顾了更常用的抽象动力学模型的人形机器人，这是基于倒立摆，并显示这些模型可以用来提供行走的人形机器人，以及如何分层控制结构可以淡化人形行走的复杂性。其次，审查模型一起比较，不仅在分析的方式，但也通过执行几个数值模拟中的推恢复的情况下，使用\mbox{MATLAB}。这些理论和模拟研究定量比较这些模型恢复平衡。结果表明，增强版的线性倒立摆加飞轮是最有能力的动力学模型，以恢复稳定的机器人，即使在非常具有挑战性的情况下。
2019-06-05 cs.RO
On the Emergence of Whole-body Strategies from Humanoid Robot Push-recovery Learning
Istituto Italiano di Tecnologia（意大利理工学院）；University of Manchester（曼彻斯特大学）；Massachusetts Institute of Technology（麻省理工学院）；Sapienza Università di Roma（罗马第一大学）；Università degli Studi di Genova（热那亚大学）
平衡和推动恢复是使人形机器人能够解决复杂运动任务的基本能力。在这种情况下，经典的控制系统往往是基于简化的物理模型和硬编码的策略。虽然在特定情况下是成功的，但这种方法需要在专门设计的控制器之间对参数和切换逻辑进行苛刻的调整，以处理更一般的扰动。我们应用无模型深度强化学习在模拟环境中训练一个通用和强大的人形推恢复策略。我们的方法针对高维全身人形控制，并验证了iCub人形。奖励组件结合专家知识的人形控制，使快速学习几个强大的行为相同的政策，跨越整个身体。我们验证了我们的方法与广泛的定量分析模拟，包括样本外的任务，表现出政策的鲁棒性和泛化，对现实世界的机器人部署的关键要求。
2021-04-29 cs.LG cs.RO stat.ML
The NING Humanoid: The Concurrent Design and Development of a Dynamic and Agile Platform
the Hong Kong University of Science and Technology（香港科技大学）；Noetix Robotics company（诺蒂克斯机器人公司）
本文提出NING人形机器人，通过高扭矩执行器、质心动量动力学协同设计与全身模型预测控制，实现行走、推挤恢复和爬楼梯等敏捷运动能力。
2024-08-02 cs.RO
Footstep Adjustment for Biped Push Recovery on Slippery Surfaces
Isfahan University of Technology（伊斯法罕理工大学）；University of Isfahan（伊斯法罕大学）
尽管对两足动物的运动稳定性进行了广泛的研究，但它们仍然缺乏在光滑表面上的干扰应对能力。在本文中，一种新的控制器，用于稳定的双足运动在其矢状面的表面摩擦限制方面的发展。通过考虑稳定趋势中表面的物理限制，实现了更高级的可靠性水平，提供了更高的功能，例如在低摩擦表面上的推动恢复，并防止稳定器过度反应。基于离散事件的策略包括在每个足迹开始时修改步长和时间段，以重新建立稳定性必要条件，同时考虑表面摩擦限制作为防止滑动的约束。调整脚步以防止在面对外部干扰时打滑被认为是一种保持稳定的新策略，与人类的反应非常相似。所开发的方法包括粗糙的封闭形式的解决方案，利用初等数学运算获得的控制输入，允许达到收敛和计算成本之间的平衡，这是非常适合实时操作，即使与适度的计算硬件。几个数值模拟，包括推恢复和低摩擦表面上不同的门之间的切换，进行证明所提出的控制器的有效性。与人类步态经验相关，结果还揭示了一些有利于稳定性的物理方面，以及在步态之间切换以降低在面对不同条件时摔倒的风险的事实。
2021-11-09 cs.RO cs.SY eess.SY
Thruster-Enhanced Locomotion: A Decoupled Model Predictive Control with Learned Contact Residuals
Department of Electrical and Computer Engineering, Northeastern University（电气与计算机工程系，东北大学）
针对四足机器人推进器辅助行走，提出解耦控制架构，用Raibert控制器管理腿部，MPC配合学习接触残差控制推进器，提升抗推和猫步稳定性。
2025-08-05 cs.RO
Learning to Improve Capture Steps for Disturbance Rejection in Humanoid Soccer
Univ. of Bonn（波恩大学）
在过去的几年里，足球人形机器人有了很大的进步。基本技能，如双足行走，视觉感知和碰撞避免已经足够成熟，可以进行动态和令人兴奋的游戏。当两个机器人争夺球时，他们经常互相推，平衡恢复变得至关重要。在本文中，我们报告的见解，我们获得了系统的推动实验上进行的双足模型和概述的在线学习方法，我们用来提高其推恢复能力。此外，我们描述了如何解决由统一的目标颜色引入的定位模糊性，并报告了2013年RoboCup比赛的结果。
2018-09-28 cs.RO
Quadratic Programming-Based Posture Manipulation and Thrust-vectoring for Agile Dynamic Walking on Narrow Pathways
Department of Electrical and Computer Engineering, Northeastern University（电子与计算机工程系，东北大学）；Department of Aerospace Engineering, California Institute of Technology（航空航天工程系，加州理工学院）
针对足式机器人窄道行走稳定性问题，提出基于质心动力学与QP求解的模型预测控制方法，利用Husky Beta平台的膝关节推进器实现窄道稳定行走及侧向推力恢复，拓展了运动稳定性与可塑性。
2025-07-31 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
Hierarchical Reduced-Order Model Predictive Control for Robust Locomotion on Humanoid Robots
California Institute of Technology（加州理工学院）
针对人形机器人真实环境鲁棒行走需求，提出基于降阶模型的分层控制框架，结合ALIP步间动力学优化与扩展SRB-MPC，经Unitree G1实验验证，推力恢复率提升36%，可适应多种复杂地形。
2025-09-05 cs.RO
Embedding Classical Balance Control Principles in Reinforcement Learning for Humanoid Recovery
Florida Institute for Human and Machine Cognition（佛罗里达人类与机器认知研究所）；University of West Florida（韦斯特佛瑞斯特大学）
本文提出一种将经典平衡指标嵌入强化学习的人形机器人恢复策略，通过直接塑造奖励提升恢复效率，并在多种环境中验证了其有效性。
2026-03-09 cs.RO
Bipedal Model Based on Human Gait Pattern Parameters for Sagittal Plane Movement
IIIT Allahabad（阿拉哈巴德印度信息技术学院）
本文所描述的目前的研究试图传授如何模仿为基础的学习行为为基础的编程可以用来教机器人。这一发展是一个很大的一步，证明推恢复是一个软件工程问题，而不是硬件工程问题。这里使用的步行算法旨在选择推恢复问题的子集，即来自环境的干扰。我们在Halo的每个关节处应用物理学，具有一定的自由度。所提出的模型Halo与其他模型不同，因为以前开发的模型与不同人的数据不一致。这将导致在未来的发展广义的可持续发展模型，并将弥合性能和不一致性之间的差距。在本文中，所提出的模型适用于不同的人的数据。模型的准确性，性能和结果的衡量使用的行为协商能力的模型开发。为了提高性能，提出的模型给出了自由处理每个关节独立的基础上，每个关节的相似度值。这一发展可以被认为是未来机器人世界的重要发展。模型的准确率为70%。
2014-05-17 cs.RO
DTC: Deep Tracking Control
Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室）；Boston Dynamics AI Institute（波士顿动力人工智能研究所）
本文提出混合控制架构DTC，结合基于模型的轨迹优化与深度强化学习，在稀疏、湿滑和可变形地形上同时提升足式运动的鲁棒性、落脚点准确性和跨轨迹优化方法的泛化能力。
2024-01-22 cs.LG cs.RO cs.SY
StableMimic: Smooth Human-Like Recovery for Humanoid Motion Tracking - Learning Beyond the Tracking Distribution for Structured Post-Fall Behavior
Southern University of Science and Technology (SUSTech)（南方科技大学）
该研究提出StableMimic，一种在标称跟踪分布外训练的人形机器人统一跟踪器，通过专用专家与本体感知门控融合动作，在LAFAN1数据集及真实Unitree G1机器人上实现跌倒后100%恢复，跟踪与恢复性能均优于对比方法，提升了交互安全性。
2026-08-04 cs.RO
Introspective Visuomotor Control: Exploiting Uncertainty in Deep Visuomotor Control for Failure Recovery
Applied AI Lab (A2I)（应用人工智能实验室（A2I））；Dynamic Robot Systems (DRS)（动态机器人系统实验室（DRS））；Oxford Robotics Institute (ORI), University of Oxford（牛津大学牛津机器人研究所（ORI））
端到端可视化控制正在成为机器人操作任务的一种引人注目的解决方案。然而，基于模仿学习的视觉控制方法往往受到一个共同的限制，缺乏从由复合误差引起的分布外状态恢复的能力。在本文中，而不是使用触觉反馈或明确地通过视觉检测故障，我们调查使用的政策神经网络的不确定性。我们提出了一种新的基于不确定性的方法来检测和恢复故障情况。我们的假设是，政策的不确定性可以隐含地表明在视觉控制任务的潜在故障和机器人状态与最小的不确定性更有可能导致任务的成功。为了从高度不确定的情况下恢复，机器人沿着轨迹监视其不确定性，并在状态-动作空间中探索可能的动作，以使自己处于更确定的状态。我们的实验验证了这一假设，并显示出显着的改善任务成功率：12%的推动，15%的拾取和达到22%的拾取和放置。
2021-03-22 cs.LG cs.RO
Efficient, Dynamic Locomotion through Step Placement with Straight Legs and Rolling Contacts
Institute for Human and Machine Cognition（人机认知研究所）；University of West Florida（西佛罗里达大学）；Boardwalk Robotics, Inc.（博德沃克机器人公司）
本研究提出一种结合ALIP步幅调整、支撑腿长度控制与滚动接触的人形机器人高效行走控制器，在Nadia机器人上验证了多步态能力与效率提升。
2024-03-07 cs.RO
Learning Linear Policies for Robust Bipedal Locomotion on Terrains with Varying Slopes
Indian Institute of Technology (BHU) Varanasi（印度理工学院（巴纳拉斯印度教大学）瓦拉纳西分校）；Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）；Ohio State University（俄亥俄州立大学）；Indian Institute of Science（印度科学学院）
在本文中，鉴于对部署重量轻的控制框架的双足步行机器人，我们实现了端脚轨迹，由一个单一的线性反馈政策的形状。我们通过一个无模型和无梯度的学习算法，增强随机搜索（ARS），在两个机器人平台兔子和数字学习这一政策。我们的贡献是双重的：a）通过使用躯干和支撑平面方向作为输入，我们在模拟中实现了在高达20度的斜坡上的稳健行走。b）我们展示了其他行为，如向后行走，原地踏步，以及从高达120 N的外部推力中恢复。最终的结果是一个强大的和快速的反馈控制法律的双足步行地形与变化的坡度。最后，我们还提供了硬件转移到Digit的初步结果。
2021-08-09 cs.AI cs.LG cs.RO
