Optimal Trajectory Planning in a Vertically Undulating Snake Locomotion using Contact-implicit Optimization
Department of Electrical and Computer Engineering, Northeastern University(电气与计算机工程系,东北大学);California Institute of Technology(加州理工学院)
针对蛇形机器人垂直起伏运动,提出基于Moreau步进方法的降阶模型,通过接触隐式优化实现最优轨迹规划,并经仿真和实验验证了模型准确性与有效性。
2025-08-04 cs.RO
Dual-MPC Footstep Planning for Robust Quadruped Locomotion
针对四足机器人运动中角动量仅靠地面反作用力控制导致的问题,提出双MPC步足规划策略,通过互反馈耦合步足规划与GRF优化,减少振荡并延长支撑和摆动相,提升鲁棒性。
2025-11-11 cs.RO
Locomotion Planning through a Hybrid Bayesian Trajectory Optimization
ETH Zurich(苏黎世联邦理工学院)
腿式系统的运动规划需要推理合适的接触时间表。接触序列和定时构成了一个混合动力系统,并规定了一个子集的可实现的运动。最先进的方法将运动规划视为最优控制问题。为了降低计算复杂性,一种常见的策略将脚步规划与运动优化分离,并使用几何学来规划接触。在本文中,我们提出了学习接触时间表选择高层次的任务描述使用贝叶斯优化。定义了一种双层优化,其中高斯过程模型预测由运动规划非线性程序生成的轨迹的性能。代理,因此,保留的能力,理由有关合适的接触时间表,而明确的计算相应的梯度是避免的。我们描绘的算法在其一般形式,并提供规划单腿跳跃的结果。我们的方法能够学习与人类直觉一致的联系人时间表转换。它表现出竞争力的启发式基线预测任务适当的接触时间表。
2019-03-09 cs.RO
Analytic Model for Quadruped Locomotion Task-Space Planning
University of Edinburgh(爱丁堡大学)
尽管动物中广泛存在腿运动,但用机器人复制它是极具挑战性的。腿部运动是一项动态任务,它得益于利用系统重力的规划。然而,这种优化的计算成本随着运动结构的复杂性而迅速增加,使得不可能在非结构化环境中进行实时部署。提出了一种简化的四足机器人质心和脚轨迹生成方法。该模型将四足动物描述为通过其质心连接的两个两足动物,并且它是基于代数两足动物模型的扩展,该模型使用重力吸引子的拓扑来描述两足动物运动策略。结果表明,该模型生成的轨迹与以前的研究一致。该模型将部署在未来的种子解决方案,全身轨迹优化,试图减少计算成本,并获得在具有挑战性的环境中的复杂动作的实时规划。
2019-04-23 cs.RO
Feasibility-Guided Planning over Multi-Specialized Locomotion Policies
National Taiwan University(国立台湾大学);Inventec Corporation(Inventec公司)
本文提出一种可行性引导的规划框架,整合多个地形特定策略,通过Feasibility-Net预测可行性张量,实现高效可靠的路径规划。
2026-02-08 cs.RO
Multi-gait Locomotion Planning and Tracking for Tendon-actuated Terrestrial Soft Robot (TerreSoRo)
University of Alabama(阿拉巴马大学);Georgia Institute of Technology(佐治亚理工学院);University of Strathclyde Glasgow(格拉斯哥斯特拉斯克莱德大学)
本文针对TerreSoRo提出一种基于位姿反馈的闭环路径规划框架,采用数据驱动优化合成步态与贪婪广度优先搜索策略生成无碰撞轨迹,实现了非气动软体机器人实时闭环路径规划与导航。
2023-07-31 cs.RO
Motion Planning for Agile Legged Locomotion using Failure Margin Constraints
Collaborative Robotics and Intelligent Systems Institute, Oregon State University(俄勒冈州立大学协作机器人与智能系统研究所)
灵活的机器人腿运动的复杂动力学需要运动规划来智能地调整脚步位置。通常,双足脚步和运动规划使用数学上简单的模型,如线性倒立摆,而不是没有封闭形式解决方案的动态丰富的模型。我们提出了一种实时优化方法来规划动态模型,没有封闭的形式的解决方案和经验不可恢复的失败。我们的方法使用数据驱动近似的一步一步的动态和故障裕度函数。该故障裕度函数是状态-动作空间中的有向距离函数,其中它描述到成功或失败的带符号距离。运动规划问题形成为一个非线性规划的约束,强制执行近似的前向动力学和状态-动作对的有效性。为了说明,这种方法被应用到创建一个驱动弹簧加载倒立摆模型的规划器。在一项烧蚀研究中,在不同的目标和视野长度上,失效裕度约束使无效解的数量减少了24到47个百分点。虽然我们在运动的规范模型上演示了该方法,但我们还讨论了如何将其应用于数据驱动模型和全阶机器人模型。
2022-03-28 cs.RO
A Modular Framework to Generate Robust Biped Locomotion: From Planning to Control
IEETA / DETI University of Aveiro(阿威罗大学 IEETA / DETI)
由于其复杂的运动学和动力学特性,机器人具有固有的不稳定性。尽管人们在发展双足运动方面做了许多研究工作,但双足运动的性能仍然与预期相差甚远。本文提出了一种基于模型的框架,以产生稳定的运动。该框架的核心是一个抽象的动力学模型,该模型由三个质量组成,以考虑站立腿,躯干和摆动腿的动力学,以最大限度地减少跟踪问题。根据这个动力学模型,我们提出了一个模块化的步行参考轨迹规划器,考虑到障碍物规划的所有参考。此外,该动态模型被用来制定控制器作为一个模型预测控制(MPC)计划,它可以考虑一些限制的状态,系统,输入,输出和混合输入输出。使用MATLAB进行了几个数值模拟,所提出的框架的性能和鲁棒性进行了验证。此外,该框架被部署在一个模拟的扭矩控制的人形机器人,以验证其性能和鲁棒性。仿真结果表明,该框架能够鲁棒地产生机器人运动。
2021-04-21 cs.RO
Model-Based Geometry-Aware Generative Optimization for Constrained Locomotion Planning
Carnegie Mellon University(卡内基梅隆大学);University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
针对四足和人形机器人的约束运动规划难题,提出基于模型的几何感知生成优化(2GO),将主动约束几何转化为去噪算子并解耦生成传输与随机性,实验显示更高成功率、更少违规。
2026-10-07 cs.RO
RAMP: Reaction-Aware Motion Planning of Multi-Legged Robots for Locomotion in Microgravity
Tohoku University(东北大学)
微重力下的机器人机动性对于扩大人类对外层空间的利用和探索是必要的。生物启发的多腿足式机器人是安全和精确运动的一种可能的解决方案。然而,在微重力下的机器人的动态运动可能会导致故障,由于过度的运动反应所造成的夹持器分离。我们提出了一种新的反应感知运动规划(RAMP),以提高运动的安全性,在微重力环境下,通过减少机器人的动量变化,降低失去与地面接触的风险。RAMP通过低反作用力摆动轨迹(LRECT)最大限度地减少摆动动量,同时将此动量分配到整个身体,确保支撑夹持器的零速度并最大限度地减少运动反作用力。我们验证了所提出的方法与动态模拟表明RAMP的能力,以产生一个安全的运动,而不分离的支持抓手,导致机器人到达其指定的位置。我们在使用空气悬浮系统的实验中进一步验证了RAMP,证明反作用力显着降低,并提高了微重力下的移动性。
2023-01-19 cs.RO
Fast Online Planning for Bipedal Locomotion via Centroidal Model Predictive Gait Synthesis
Beijing Research Institute of UBTECH Robotics(优必选机器人北京研究院);Tsinghua University(清华大学)
将双足步行的全身运动规划和步行时间规划问题转化为一个模型预测控制(MPC)问题,需要在线求解一系列优化问题。虽然直接解决这些问题是非常耗时的,我们提出了一个预测步态合成器提供即时的解决方案。基于全维模型,离线构建了不同速度和周期的步态库。该步态合成器基于质心动力学的在线预测,通过对步态库进行合成,生成1kHz的实时步态。我们证明了所构造的MPC问题可以确保CoM状态的一致最终有界性(UUB),并表明我们提出的步态合成器可以为MPC优化问题提供可行的解决方案。仿真和实验结果与8自由度(DoF)的双足机器人提供这种方法的性能和鲁棒性。
2021-05-21 cs.RO
Heuristic Step Planning for Learning Dynamic Bipedal Locomotion: A Comparative Study of Model-Based and Model-Free Approaches
Moscow Institute of Physics and Technology(莫斯科物理技术学院)
本文提出一种基于启发式步态规划的学习方法,通过比较模型驱动和模型无关方法,展示了在动态双足运动中实现稳定行走的可行性。
2025-11-27 cs.RO
ARMP: Autoregressive Motion Planning for Quadruped Locomotion and Navigation in Complex Indoor Environments
Georgia Institute of Technology(佐治亚理工学院)
由于足式机器人复杂的动力学特性,使其产生自然的、物理上可行的运动一直是一个具有挑战性的问题。在这项工作中,我们介绍了一种新的基于学习的框架自回归运动规划器(ARMP)的四足动物的运动和导航。我们的方法可以生成运动计划与任意长度的自回归的方式,不像大多数离线轨迹优化算法的固定轨迹长度。为此,我们首先通过解决各种场景和参数设置的密集轨迹优化问题来构建运动库。然后,我们从数据集学习的运动流形在监督学习的方式。我们表明,建议的ARMP可以产生物理上合理的各种任务和情况下的运动。我们还展示了我们的方法可以成功地集成到最近的机器人导航框架作为一个低级别的控制器,并释放复杂的室内导航的足式机器人的全部能力。
2023-03-28 cs.RO
Motion Planning for Variable Topology Trusses: Reconfiguration and Locomotion
University of Pennsylvania(宾夕法尼亚大学);Texas A&M University(得克萨斯农工大学)
本文针对可变拓扑桁架机器人提出一种新的运动规划框架,通过重构拓扑结构显著改变机器人形态,并高效解决移动任务,实验验证了其有效性。
2023-09-25 cs.RO
Skill-Nav: Enhanced Navigation with Versatile Quadrupedal Locomotion via Waypoint Interface
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
Skill-Nav通过路点接口将四足运动技能与分层导航框架结合,利用深度强化学习训练策略,实现复杂地形中的自主导航与避障,实验验证其有效性。
2025-09-07 cs.RO
Simultaneous Contact Sequence and Patch Planning for Dynamic Locomotion
Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM), Germany(慕尼黑机器人与机器智能研究所(MIRMI)、慕尼黑技术大学(TUM));Tandon School of Engineering, New York University (NYU), USA(纽约大学Tandon工程学院)
本文提出结合蒙特卡洛树搜索与全身轨迹优化的完整流程,首次在四足机器人全身动力学下同时规划非循环多接触运动的接触序列与接触面,并通过仿真和实物实验验证其有效性与可迁移性。
2025-08-18 cs.RO
Material Recognition CNNs and Hierarchical Planning for Biped Robot Locomotion on Slippery Terrain
Waseda University(早稻田大学);Waseda Institute for Advanced Study(早稻田大学高等研究所);Humanoid Robotics Institute (HRI)(仿人机器人研究所)
在本文中,我们解决了视觉预测不同表面的环境中的表面摩擦力的问题,并将这些知识集成到机器人运动规划。这个问题对于自主机器人运动至关重要,因为现实世界中存在大量具有不同摩擦力的不同表面,从木材到瓷砖,草或冰,如果不考虑这些表面,可能会给机器人运动带来困难或巨大的能源成本。我们建议使用卷积神经网络,连同与每种材料相关的摩擦的概率分布函数,从材料类别的视觉估计来估计摩擦及其不确定性。然后,我们鲁棒地将摩擦预测集成到使用机会约束的分层(脚步和全身)规划方法中,并在规划方法的两个级别上优化相同的轨迹成本以实现一致性。我们的解决方案实现了在光滑地形上的完全自主感知和运动,不仅考虑了摩擦及其不确定性,还考虑了碰撞,稳定性和轨迹成本。我们在户外场景的真实图片中显示出有前途的摩擦预测结果,并在一个真正的机器人面对不同摩擦的表面上进行规划实验。
2017-06-27 cs.CV cs.RO
Geometric Heat Flow Method for Legged Locomotion Planning
本文提出了一种基于几何热流框架的腿式机器人运动规划方法。由于动力学和接触约束的混合性质,运动规划任务具有挑战性。我们将混合动力学和约束编码成黎曼内积,并定义该内积,使得短曲线对应于系统的容许运动。我们依赖于仿射几何热流变形的任意路径连接所需的初始和最终状态,这个允许的运动。该方法能够自动求出机器人在不平坦地形上的质心轨迹、脚接触位置和受力情况。
2021-01-20 cs.RO math.OC
Planning and Execution of Dynamic Whole-Body Locomotion for a Hydraulic Quadruped on Challenging Terrain
Istituto Italiano di Tecnologia(意大利理工学院);ETH Zurich(苏黎世联邦理工学院)
我们提出了一个框架,动态四足运动在具有挑战性的地形,选择适当的立足点是至关重要的行为的成功。我们建立了一个模型的环境在线和船上使用一个有效的占用网格表示。我们使用Any-time-Repairing A*(ARA*)来搜索可能的动作树,选择一个粗略的身体路径,并相应地选择局部最佳立足点。我们使用动态稳定性指标零力矩点(ZMP)对身体轨迹进行n步前瞻优化,该指标可生成自然的动态全身运动。浮基逆动力学和虚拟模型控制的组合在主动顺应系统上精确地执行期望的运动。实验测试表明,这个框架使我们能够以近6倍于我们以前工作的速度遍历地形,在同一组试验中进行评估。
2019-04-07 cs.RO
RL-augmented MPC Framework for Agile and Robust Bipedal Footstep Locomotion Planning and Control
Universitat Politècnica de Catalunya (UPC)(加泰罗尼亚理工大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
本文提出结合MPC与RL的双足落脚点规划控制框架,利用学习策略弥合简化模型与全阶系统差距,在DRACO 3机器人上验证了动态运动性能的显著提升。
2024-07-25 cs.RO
Planning in Learned Latent Action Spaces for Generalizable Legged Locomotion
FAIR;Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
分层学习已经成功地在步行机器人上以样本有效的方式学习可推广的运动技能。然而,用于在层次结构的两个层之间进行通信的低维“潜在”动作通常是用户设计的。在这项工作中,我们提出了一个完全学习的分层框架,这是能够共同学习的低级别控制器和高级别的潜在动作空间。一旦这个潜在的空间是学习,我们计划在连续的潜在行动在模型预测控制的方式,使用学习的高级动态模型。这个框架推广到多个机器人,我们目前的结果菊花六足模拟,A1四足模拟,菊花机器人硬件。我们比较了一系列从文献中学习的分层方法,并表明我们的框架在多个任务和两个模拟上优于基线。除了学习方法,我们还比较了逆运动学(IK)作用于所需的机器人运动,并表明我们完全学习的框架在A1和Daisy模拟的不利设置中优于IK。在硬件上,我们展示了Daisy hexapod在非结构化的户外环境中实现多个运动任务,只有2000个硬件样本,加强了我们方法的鲁棒性和样本效率。
2021-03-18 cs.RO
Towards Safe Locomotion Navigation in Partially Observable Environments with Uneven Terrain
Georgia Institute of Technology(佐治亚理工学院)
本研究针对部分可观测环境下具有多层次安全保障的动态移动,提出一种整合任务与运动规划的方法。该分层规划框架由高级符号任务规划器和低级相空间运动规划器组成。在任务规划级的信念抽象,使信念估计的动态障碍物的位置,并保证航行安全与避免碰撞。高级任务规划器,即,一个两级的导航规划,采用线性时序逻辑的反应性游戏合成之间的机器人和它的环境,同时将低级别的安全关键帧策略到正式的任务规范设计。合成的任务规划器命令一系列的运动动作,包括步行步长,步高,和航向角的变化,到底层的关键帧决策器,这进一步确定机器人的质心顶点速度关键帧。低级别的相空间规划器使用降阶运动模型来生成满足直线和转向行走的平衡安全标准的非周期性轨迹。这些标准的特点是运动关键帧状态的约束,并用于定义关键帧过渡策略,通过可行性内核。由Agility Robotics设计的Cassie双足机器人的仿真结果展示了在由动态障碍物和不平坦地形组成的三维、部分可观察的环境中的运动操纵。
2020-09-10 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
On-line and on-board planning and perception for quadrupedal locomotion
Istituto Italiano di Tecnologia(意大利理工学院)
我们提出了一个腿部运动规划方法,四足运动具有挑战性的地形。我们将问题分解为身体动作规划和脚步规划。我们使用一个晶格表示连同一组定义的身体运动原语计算身体行动计划。格子表示使我们能够计划多功能的运动,确保每个可能的计划的可行性。为此,我们提出了一套规则,定义的足迹搜索区域和足迹序列给定的身体动作。我们使用Anytime Repairing A*(ARA*)搜索,保证有界次优计划。我们的主要贡献是一个规划方法,产生在线多功能运动。实验测试证明了我们的规划方法在一组具有挑战性的地形条件下的性能。地形信息和计划是在线和车载计算的。
2019-04-07 cs.CV cs.RO
An Untethered Brittle Star-Inspired Soft Robot for Closed-Loop Underwater Locomotion
Carnegie Mellon University(卡内基梅隆大学)
与刚性机器人相比,软体机器人能够与其环境进行固有的更安全的交互,因为它们可以响应于意外的刺激而机械变形。然而,它们复杂的机械结构可能会使规划和控制变得困难,特别是在运动等任务中。在这项工作中,我们提出了一个移动和不受约束的水下爬行软体机器人,帕特里克,配对的试验台,演示闭环运动规划。PATRICK的设计灵感来自于BrittleStar,它的五条柔性腿由总共20根形状记忆合金(SMA)线驱动,通过其巨大的输入空间提供了丰富多样的可能运动。我们提出了一个运动规划基础设施的基础上一组简单的帕特里克的运动原语,并提供实验表明,规划器可以命令机器人的目标状态。这些实验有助于第一个例子的闭环,状态空间目标寻求的水下,无绳系,软爬行机器人,并取得进展,实现完全自主的软移动机器人系统。
2020-08-03 cs.RO
ContactNet: Online Multi-Contact Planning for Acyclic Legged Robot Locomotion
Istituto Italiano di Tecnologia (IIT)(意大利技术研究院);Tandon School of Engineering, New York University (NYU)(纽约大学坦登工程学院);Università di Trento(特伦托大学)
提出基于多输出回归神经网络的快速非周期接触规划器ContactNet,可在约1毫秒内完成多接触规划,实现与轨迹优化器的MPC并发执行,并在四足机器人Solo12仿真中验证了有效性。
2024-05-02 cs.RO
Robust Locomotion on Legged Robots through Planning on Motion Primitive Graphs
California Institute of Technology(加州理工学院)
机器人系统的功能需求通常要求在干扰或不确定环境的影响下完成各种任务或行为。人们越来越感兴趣的是动态机器人的自主性,如多旋翼,机动车辆和腿式平台。在这里,干扰和环境条件可以对被称为“运动基元”的个体动态行为的成功执行具有显著影响。尽管如此,鲁棒性可以通过切换到合适的运动基元并过渡到合适的运动基元来实现。本文通过对运动基元动力学的抽象和相应的“运动基元传递函数”,提出了一种新的运动基元动力学方法。在此基础上,构造了一个离散和连续混合的“运动基元图”,并给出了一个在线搜索该图的算法。其结果是一个框架,能够实现整体的动态系统的鲁棒性。这是实验证明的一组运动原语的四足机器人,受到各种环境和故意的干扰。
2022-09-15 cs.RO
DoublyAware: Dual Planning and Policy Awareness for Temporal Difference Learning in Humanoid Locomotion
University of Texas at Arlington(德克萨斯大学阿灵顿分校);Intelligent Autonomous Systems Lab(智能自主系统实验室);German Research Center for AI (DFKI)(德国人工智能研究中心);Automation & Control Institute (ACIN)(自动化与控制研究所);Austrian Institute of Technology (AIT) GmbH(奥地利技术研究所)
针对人形机器人运动学习中环境与模型不确定性交织的问题,提出将不确定性分解为规划与策略分量的DoublyAware方法,通过共形预测筛选轨迹、组相对策略约束优化探索,在HumanoidBench上实现了更优的样本效率与运动可行性。
2025-06-12 cs.RO
Fast Kinodynamic Bipedal Locomotion Planning with Moving Obstacles
University of Texas at Austin(德克萨斯大学奥斯汀分校)
我们提出了一个基于采样的两足机器人在复杂环境中的kinodynamic规划框架。不像其他的足迹规划器,通常计划足迹的位置和在单独的步骤,我们同时处理两者。该方法的三个优点是(1)在基于由线性倒立摆模型动力学确定的路线的持续时间选择脚步位置的同时区分替代路线的能力,(2)通过时间执行碰撞检查的能力,使得在不避开移动障碍物的整个轨迹的情况下防止与移动障碍物的碰撞,以及(3)指定用于所述微处理器的最小前进速度的能力。为了生成一个动态一致的步行行为的描述,我们利用相空间规划。为了规划一个无碰撞的路线走向目标,我们适应规划策略,从非完整轮式机器人收集一系列的PSP的输入。这使我们能够有效地近似动力学和运动学约束的双足运动,应用基于采样的规划算法,并使用杜宾的路径作为转向方法连接配置空间中的两个点。算法的结果被发送到全身控制器以生成全身动态行走行为。
2018-07-09 cs.RO
Contact-Implicit Optimization of Locomotion Trajectories for a Quadrupedal Microrobot
Harvard University(哈佛大学);Stanford University(斯坦福大学)
腿式微型机器人的运动轨迹规划是具有挑战性的,因为它们的复杂形态,高频率的被动动力学,和不连续的接触与环境的相互作用。因此,这种研究往往是由耗时的实验方法驱动的。作为一种替代方案,我们提出了一个框架,系统地建模,规划和控制腿microrobots。我们开发了一个1.5克四足微型机器人的三维动力学模型,自由度自由度的数量),类似于较大规模的足式机器人。然后,我们适应最近开发的变分接触隐式轨迹优化方法来产生可行的全身运动计划,这个microrobot,我们证明,这些计划可以跟踪简单的关节空间控制器。我们计划和执行周期性步态在多个步幅频率和各种表面上。这些步态实现了高的每周期速度,包括10.87毫米/周期的最大值,这是15%的速度比以前测量的速度为这个微型机器人。此外,我们计划并执行9.96 mm的垂直跳跃,这是微型机器人质心高度的78%。据我们所知,这是第一个端到端的演示规划和跟踪全身动态运动的毫米级腿微型机器人。
2019-01-25 cs.RO
Heuristic Planning for Rough Terrain Locomotion in Presence of External Disturbances and Variable Perception Quality
Istituto Italiano di Tecnologia(意大利理工学院);University of Oxford(牛津大学);LAAS-CNRS(法国国家科学研究中心自动化系统实验室)
视觉反馈的质量可以在意图穿越未知和非结构化地形的足式机器人上显著变化。通过在线最先进的算法获得的环境地图通常会在几步之后由于传感不准确、滑动和意外干扰而退化。在设计运动算法时,如果处理不当,这种退化可能导致规划的轨迹与现实不一致。在这项工作中,我们提出了一种基于运动学的规划方法,使四足机器人能够成功地穿越明显粗糙的地形(例如,直径达10 cm的结石)。当可用时,该方法还允许利用视觉反馈(例如,以增强步进策略)。所提出的框架还包括反射,在特定情况下触发,并在线估计未知的时变干扰和补偿it.We的可能性证明了我们的四足机器人HyQ(85公斤),穿越不同的地形,如:坡道,岩石,砖块,托盘和楼梯上进行的实验的方法的有效性。我们还展示了估计和补偿干扰的能力,显示机器人走上坡道,同时拉着一辆附在它后面的车。
2018-11-07 cs.RO
Learning Neural Observer-Predictor Models for Limb-level Sampling-based Locomotion Planning
Department of Mechanical Engineering, University of Delaware(德克萨斯大学机械工程系);School of Mechanical Engineering, National Technical University of Athens(希腊国家技术大学机械工程学院)
本文提出一种神经观测器-预测器框架,用于准确预测四足机器人全身运动,支持肢体级碰撞检查,并在Vision 60上集成MPPI规划器,通过硬件实验验证了在狭窄通道等场景中的有效性。
2025-10-26 cs.RO
Bipedal Locomotion Optimization by Exploitation of the Full Dynamics in DCM Trajectory Planning
University of Tehran(德黑兰大学)
基于发散运动分量(DCM)和线性倒立摆模型(LIPM)的步行运动规划是实现人形机器人在线步态轨迹生成的一种方法。该算法需要调整不同的参数。在这里,我们开发了一个框架,以获得最佳的参数,以实现一个稳定的和节能的轨迹,真正的机器人的步态。为了找到最优的轨迹,四个成本函数代表的能量消耗,关节速度和施加在每个下肢关节的机器人,和成本函数的基础上的零力矩点(ZMP)的稳定性标准。在该框架中采用遗传算法来优化每个成本函数。虽然轨迹规划是在简化模型的帮助下进行的,但每个代价函数的值是通过考虑Bullet物理发动机模拟器中的全动力学模型和脚-地面接触模型来获得的。优化结果表明,最稳定的行走和最有效的行走方式是相互对比的。因此,在另一尝试中,在三个不同速度下执行ZMP和能量成本函数的多目标优化。最后,我们比较了设计的轨迹,这是使用最佳参数生成的,在舞蹈模拟器的仿真结果。
2022-07-30 cs.RO
Humanoid Locomotion and Manipulation: Current Progress and Challenges in Control, Planning, and Learning
Georgia Institute of Technology(佐治亚理工学院);The University of Southern California(南加州大学);Technische Universität München(慕尼黑技术大学);Google DeepMind(谷歌DeepMind);The AI Institute(人工智能研究所);The Institute for Human and Machine Cognition(人机认知研究所);Duke University(杜克大学);Kuwait University(科威特大学);Stanford University(斯坦福大学);CNRS-University of Montpellier(国家科学研究中心-蒙彼利埃大学);LIRMM CNRS-AIST Joint Robotics Laboratory(联合机器人实验室);Simon Fraser University(西蒙弗雷泽大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);NVIDIA(英伟达);Carnegie Mellon University(卡内基梅隆大学);Harbin Institute of Technology(哈尔滨工业大学)
本综述系统梳理人形机器人移动与操作在控制、规划和学习方面的进展,对比基于模型与基于学习方法,并探讨基础模型与触觉感知的融合潜力。
2025-04-19 cs.RO
Reactive Task and Motion Planning for Robust Whole-Body Dynamic Locomotion in Constrained Environments
George W. Woodruff School of Mechanical Engineering, Georgia Tech, USA(佐治亚理工学院机械工程学院);Department of Applied Mathematics, University of Waterloo, Canada(滑铁卢大学应用数学系);Department of Aerospace Engineering and Engineering Mechanics, UT Austin, USA(得克萨斯大学奥斯汀分校航空航天工程与工程力学系);Institute for Computational Engineering and Sciences, UT Austin, USA(得克萨斯大学奥斯汀分校计算工程与科学研究所)
本文提出了一种基于时序逻辑的游戏框架,用于在受限和动态变化的环境中进行全身体动态运动的任务规划与控制,通过符号系统的方法确保运动行为的正确性。
2022-01-01 cs.FL cs.RO cs.SY
Robust Optimal Planning and Control of Non-Periodic Bipedal Locomotion with A Centroidal Momentum Model
Human Centered Robotics Laboratory, The University of Texas at Austin, TX, USA(以人为本的机器人实验室,德克萨斯大学奥斯汀分校);Neuro-Engineering Research and Development Laboratory, The University of Texas at Austin, TX, USA(神经工程研究与开发实验室,德克萨斯大学奥斯汀分校)
本文提出基于质心动量动力学的混合相空间规划与控制方法,通过非周期关键帧状态的鲁棒跟踪实现双足运动的稳健控制,重点解决非周期步态生成和扰动鲁棒性问题。
2017-08-19 cs.RO cs.SY eess.SY
A Framework for Planning and Controlling Non-Periodic Bipedal Locomotion
Human Centered Robotics Laboratory, The University of Texas at Austin, TX, USA(以人为中心的机器人实验室,德克萨斯大学奥斯汀分校);Neuro-Engineering Research and Development Laboratory, The University of Texas at Austin, TX, USA(神经工程研究与开发实验室,德克萨斯大学奥斯汀分校)
本文提出了一种基于非周期性顶点状态鲁棒跟踪的双足运动规划与控制理论框架,通过混合相空间规划与控制方法实现非周期性步态生成及抗干扰能力。
2015-11-14 cs.RO cs.SY eess.SY
Safe Motion Planning for Quadruped Robots Using Density Functions
Clemson University(克莱姆森大学)
本研究针对四足机器人运动规划问题,提出基于密度函数的分层规划框架,结合高层反馈密度规划器、MPC轨迹优化与低层PID控制,通过仿真验证了方法的有效性并开源了代码。
2023-12-14 cs.RO
A Thesis on Loco-Manipulation with Non-impulsive Contact-Implicit Planning in a Slithering Robot
Electrical and Computer Engineering(电气与计算机工程学院)
针对蛇形机器人通过运动实现物体操作的问题,本文为 COBRA 提出基于非脉冲式隐式接触路径规划的优化框架,并通过高保真仿真和实验验证其有效性。
2024-05-09 cs.RO
Risk-Averse Planning via CVaR Barrier Functions: Application to Bipedal Robot Locomotion
California Institute of Technology(加州理工学院)
在存在随机不确定性的情况下实施安全是一个具有挑战性的问题。传统上,研究人员在这种情况下提出了统计平均值的安全性作为安全措施。然而,只有当系统在大量运行中的安全行为令人感兴趣时,确保统计平均值中的安全性才是合理的,这排除了在实际场景中使用平均安全性。在本文中,我们提出了一个风险敏感的安全概念,称为条件风险价值(CVaR)安全,这是关注在最坏的情况下实现的安全性能。我们引入CVaR障碍函数作为一种工具,以执行CVaR的安全性,并提出其布尔组合物的条件。给定一个传统的控制器,我们表明,我们可以设计一个最小干扰CVaR安全控制器通过求解差分凸规划。我们阐明了所提出的方法,将其应用到双足机器人运动的案例研究。
2021-03-06 cs.RO math.OC
Hybrid Data-Driven Predictive Control for Robust and Reactive Exoskeleton Locomotion Synthesis
Department of Computation and Neural Systems, Caltech(计算与神经系统系,加州理工学院);Department of Mechanical and Civil Engineering, Caltech(机械与土木工程系,加州理工学院);Wandercraft;Department of Computing and Mathematical Sciences, Caltech(计算与数学科学系,加州理工学院);Department of Control and Dynamical Systems, Caltech(控制与动态系统系,加州理工学院)
本文提出混合数据驱动预测控制(HDDPC)框架,通过结合基于Hankel矩阵的系统建模、步间转换以及接触调度与轨迹规划的统一,实现了外骨骼鲁棒且反应性的双足行走。
2025-08-14 cs.RO
PIP-Loco: A Proprioceptive Infinite Horizon Planning Framework for Quadrupedal Robot Locomotion
Indian Institute of Science(印度科学学院);Robert Bosch Center for Cyber-Physical Systems(罗伯特·博世网络物理系统中心)
针对MPC任务扩展难、无模型RL缺约束处理的问题,提出集成本体感受规划与RL的PIP-Loco框架,结合速度估计器和Dreamer模块,通过协同训练专家策略与内部模型提升鲁棒性,在多地形场景验证效果。
2025-04-15 cs.LG cs.RO
Real time A* Adaptive Action Set Footstep Planning with Human Locomotion Energy Approximations Considering Angle Difference for Heuristic Function
Korea Advanced Institute of Science and Technology(韩国科学技术院)
在各种环境下,如何将双足机器人导航到所需的目的地是一个非常重要的问题。然而,它是非常困难的,以解决实时的导航问题,因为计算时间是非常长的,由于具有高自由度的机器人的性质。为了克服这一点,许多科学家建议通过足迹规划导航。通常的脚步规划使用最短的距离或角度作为目标函数的基础上的A * 算法。最近,人类行走所需的能量,这是广泛使用的人体动力学,近似多项式函数被提出作为一个更好的成本函数,解释了双足机器人的运动。此外,对于实时的导航,采用A * 算法的动作集不是固定的,而是根据情况变化的数量,这样计算时间不会增加太多,并建议考虑与外界环境碰撞的方法作为一种实用方法。本文采用近似人类步行所需能量的多项式函数作为代价函数,并提出并证明了一种新的考虑机器人与目的地之间角度差的启发式函数。此外,提出了一种新的方法来集成的自适应行为集和能量有关的人类行走。在此基础上,提出了一种有效的碰撞避免方法和一种减少局部极小值问题的方法。最后,将具有上述特点的脚步规划算法转化为映射算法和步行算法,解决了机器人的导航问题,并通过仿真和实际机器人进行了验证。
2022-11-02 cs.RO
Planar Bipedal Locomotion with Nonlinear Model Predictive Control: Online Gait Generation using Whole-Body Dynamics
ETH Zürich(苏黎世联邦理工学院);California Institute of Technology(加州理工学院)
具有输入约束和欠驱动的双足机器人实时生成动态行走的能力具有在动态、复杂和非结构化环境中实现运动的潜力。然而,双足机器人的高维特性限制了全阶刚体动力学的使用,离线合成,然后在线跟踪步态。在这项工作中,我们开发了一个在线的非线性模型预测控制的方法,利用全阶动力学实现不同的步行行为。此外,这种方法可以通过期望的参考与离线合成的步态相结合,以实现更短的预测范围和快速的在线重新规划,弥合在线反应控制和离线步态规划之间的差距。我们证明了所提出的方法,无论有和没有离线步态,在模拟和硬件上的平面机器人琥珀-3M。
2022-11-03 cs.RO
Physically-Feasible Reactive Synthesis for Terrain-Adaptive Locomotion
Georgia Institute of Technology(佐治亚理工学院);Cornell University(康奈尔大学)
针对四足动物在动态变化地形的运动规划问题,提出综合规划框架,结合反应式合成与混合整数凸规划,采用符号修复机制,经实验验证该框架能识别缺失技能并在关键环境有效响应。
2026-07-21 cs.RO
Perceptive Locomotion through Nonlinear Model Predictive Control
ETH Zurich(苏黎世联邦理工学院);École polytechnique fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
在崎岖地形中的动态运动需要精确的脚的位置,避免碰撞,并规划系统的欠驱动动力学。在存在不完美且通常不完整的感知信息的情况下,可靠地优化此类运动和交互是具有挑战性的。我们提出了一个完整的感知,规划和控制管道,可以优化运动的所有自由度的机器人在实时。为了减轻地形所带来的数值挑战,提取一系列凸不等式约束作为立足点可行性的局部近似,并嵌入到在线模型预测控制器中。可步进性分类、平面分割和有符号距离场是针对每个高程图预先计算的,以最大限度地减少优化期间的计算工作量。多重射击,实时迭代和基于滤波器的线搜索的组合被用来解决制定的问题可靠,高速率。我们验证了所提出的方法在模拟和实验的ANYmal四足平台上的间隙,斜坡和垫脚石的情况下,导致最先进的动态攀登。
2022-08-17 cs.RO
Demonstrating Autonomous 3D Path Planning on a Novel Scalable UGV-UAV Morphing Robot
California Institute of Technology(加州理工学院);Northeastern University(东北大学);CSIRO(联邦科学与工业研究组织);Jet Propulsion Laboratory(喷气推进实验室)
本文提出一种具备地面与空中运动能力的变形多模态机器人,并应用现成的 SLAM 和路径规划解决方案,实现了在复杂室内环境中的自主 3D 导航。
2023-08-01 cs.RO cs.SY eess.SY
Perceptive Locomotion through Whole-Body MPC and Optimal Region Selection
University of Edinburgh(爱丁堡大学);Heriot-Watt University(赫瑞-瓦特大学);University of Oxford(牛津大学);LAAS-CNRS(法国国家科学研究中心系统分析与架构实验室)
该研究提出一种感知运动控制框架,通过全身MPC(Croccodyl)和最优接触面选择,在复杂地形中实现快速重规划与稳健运动,并在挑战性试验中验证其性能。
2024-02-06 cs.RO
Task-Conditioned Uncertainty Costmaps for Legged Locomotion
DRONES Lab, University at Buffalo, NY, USA(无人机实验室,布法罗大学,纽约州,美国);Ocado Technology, UK(Ocado技术公司,英国)
本文提出基于任务条件不确定性的成本图方法,用于腿部运动中的动态可行性保持,通过不确定性检测提升路径规划的鲁棒性。
2026-07-21 cs.RO
WoLF: the Whole-body Locomotion Framework for Quadruped Robots
Istituto Italiano di Tecnologia(意大利理工学院);Università di Trento(特伦托大学);PAL Robotics(PAL机器人公司)
全身运动框架(WoLF)是一个端到端的软件套件,专门用于四足机器人的本地操作。WoLF将四足机器人硬件的规划和控制的复杂性抽象为一个简单易用且强大的软件,该软件可以通过多个远程操作设备连接到不同的四足机器人模型。此外,WoLF允许与四足平台一起控制安装的设备,例如手臂或云台相机。在这篇简短的论文中,我们介绍了WoLF的主要功能及其整体软件架构。
2022-05-13 cs.RO
ViTAL: Vision-Based Terrain-Aware Locomotion for Legged Robots
Istituto Italiano di Tecnologia (IIT)(意大利理工学院)
这项工作是基于视觉的规划策略的足式机器人分离到立足点选择和姿势适应运动规划。目前的姿态自适应策略优化机器人的身体姿势相对于给定的立足点。如果未到达这些立足点,则机器人可能最终处于没有可到达的安全立足点的状态。因此,我们提出了一个基于视觉的地形感知运动(ViTAL)的战略,包括新的姿态适应和立足点选择算法。ViTAL在姿势适应中引入了一种不同的范例,该范例不优化相对于给定立足点的身体姿势,而是最大化腿部到达安全立足点的机会的身体姿势。ViTAL根据机器人的能力和地形感知能力来规划立足点和姿势。我们使用90 kg HyQ和140 kg HyQReal四足机器人来验证ViTAL,并表明它们能够以不同的速度和步态爬上各种障碍物,包括楼梯,间隙和粗糙的地形。我们比较ViTAL与基线策略,选择机器人姿势的基础上,给定选定的立足点,并显示ViTAL优于基线。
2022-12-02 cs.RO
Bipedal Safe Navigation over Uncertain Rough Terrain: Unifying Terrain Mapping and Locomotion Stability
Georgia Institute of Technology(佐治亚理工学院);Kuwait University(科威特大学)
针对不确定崎岖地形下双足机器人导航中地形建图与运动稳定性耦合的问题,提出分层感知运动动力学的采样导航规划器,结合GP地形学习与新轨迹评估指标,在Digit仿真中验证了有效性。
2024-04-15 cs.RO
Efficient Path Planning and Tracking for Multi-Modal Legged-Aerial Locomotion Using Integrated Probabilistic Road Maps (PRM) and Reference Governors (RG)
California Institute of Technology(加州理工学院);Ecole Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Northeastern University(东北大学)
已经有几个成功的生物启发的足式机器人的实现,可以小跑,步行,跳跃健壮,即使在存在重大的意外干扰。尽管取得了这些成就,但多模态腿式系统的实际控制和高级决策算法却被忽视了。在自然界中,鸟类等动物令人印象深刻地展示了多种移动模式,包括腿和空中运动。它们能够在巨大的墙壁、狭小的空间上进行稳健的运动,并且可以从不可预测的情况中恢复,例如突然的阵风或光滑的表面。受这些动物的多功能性和结合腿和空中机动性来适应环境的能力的启发,我们的主要目标是设计和控制足式机器人,在一个平台上集成两种完全不同的运动形式,地面和空中机动性。我们的机器人,赫斯基碳,正在开发集成空中和腿部运动,并转换之间的腿部和空中移动。本研究利用参考调速器(RG)来维持腿式移动的效率,并使用概率路径图(PRM)和3D A* 算法来产生基于腿式移动和空中移动的能量成本的最优路径
2022-05-12 cs.RO cs.SY eess.SY
Motion Planning for Quadrupedal Locomotion: Coupled Planning, Terrain Mapping and Whole-Body Control
Istituto Italiano di Tecnologia(意大利技术研究院);University of Edinburgh(爱丁堡大学);University of Oxford(牛津大学)
由于地形模型可能产生许多局部极小值,因此规划全身运动同时考虑地形条件对于足式机器人是一个具有挑战性的问题。我们的耦合规划方法使用随机和导数免费搜索计划的立足点位置和水平运动,由于地形模型产生的局部极小值。它联合优化身体运动,步骤持续时间和立足点选择,它的地形模型作为一个成本地图。由于姿态规划方法新颖,水平运动规划可以适用于各种地形条件。姿态规划器通过限制角加速度来确保机器人的稳定性。我们的全身控制器跟踪顺应躯干运动,同时避免滑动,以及运动和扭矩限制。尽管使用的简化模型,这是有限的平坦地形,我们的方法显示出显着的能力,以处理广泛的非共面地形。通过在一系列复杂性逐渐增加的地形中进行实验和比较评估,验证了结果。
2020-06-27 cs.RO cs.SY eess.SY