Agile and Safe Trajectory Planning for Quadruped Navigation with Motion Anisotropy Awareness
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, China（华中科技大学人工智能与自动化学院）
本文提出了一种考虑四足机器人运动各向异性的导航框架，通过轨迹生成与优化提升导航效率和安全性。
2024-03-15 cs.RO
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
QTOS: An Open-Source Quadruped Trajectory Optimization Stack
Vanderbilt University（范德堡大学）
QTOS是一个开源四足机器人轨迹优化栈，集成全局与局部规划、模拟、控制和机器人接口，简化高层导航目标到低层命令的转化，并提升复杂地形长距离步态规划的稳定性与适应性。
2023-09-16 cs.RO
RAKOMO: Reachability-Aware K-Order Markov Path Optimization for Quadrupedal Loco-Manipulation
Dynamic Legged Systems Lab, Istituto Italiano di Tecnologia (IIT)（动态腿系统实验室，意大利技术研究院）；Oxford Robotics Institute, University of Oxford（牛津大学机器人研究所）
本文提出 RAKOMO，将神经网络预测的可达性裕度纳入 KOMO，使梯度规划适配四足移动操作，并在 HyQReal 拾取放置仿真中验证其性能。
2025-07-25 cs.RO cs.SY eess.SY
From Bipedal Walking to Quadrupedal Locomotion: Full-Body Dynamics Decomposition for Rapid Gait Generation
California Institute of Technology（加州理工学院）
本文系统地将四足机器人分解为两足机器人以快速产生步行步态，然后将这些步态重组以获得四足运动。首先，我们分解的全阶，非线性和混合动力学的三维四足机器人，包括其连续和离散的动态，到两个双足系统受到外力。使用混合零动态（HZD）框架，这些双足机器人的步态可以快速生成（秒级）以及相应的控制器。分解是以这样一种方式实现的，双足步行步态和控制器可以组成，以产生动态步行步态的原始四足机器人-其结果是快速生成的动态四足步态利用全阶动力学。这种方法是通过快速生成（平均3.96秒）的四步到位的步态和一个对角对称漫步步态在0.35米/秒的四足机器人-视觉60，36个状态变量和12个控制输入-无论是在模拟和通过室外实验。这提出了一种使用全身动力学进行快速四足动物轨迹规划的新方法，而不需要经验模型简化，其中来自动态双足动物行走的方法可以直接应用于四足动物。
2020-03-19 cs.RO cs.SY eess.SY
Hierarchical Reinforcement Learning for Precise Soccer Shooting Skills using a Quadrupedal Robot
University of California, Berkeley（加州大学伯克利分校）；Université de Montréal（蒙特利尔大学）；Mila（米拉人工智能研究院）
我们解决的问题，使四足机器人在现实世界中使用强化学习执行精确的射击技能。开发算法使足式机器人能够将足球射到给定目标是一个具有挑战性的问题，它将机器人运动控制和规划结合到一个任务中。为了解决这一问题，在对动态足式机器人进行控制时，需要考虑动力学约束和运动稳定性。此外，我们需要考虑运动规划，以拍摄难以建模的变形球在地面上滚动与不确定的摩擦到期望的位置。在本文中，我们提出了一个层次化的框架，利用深度强化学习来训练（a）一个鲁棒的运动控制策略，可以跟踪任意运动和（b）一个规划策略，以决定所需的踢球运动，将足球射到目标。我们部署的A1四足机器人，使它能够准确地拍摄球随机目标在现实世界中提出的框架。
2022-08-01 cs.AI cs.RO cs.SY
Real-time Trajectory Optimization and Control for Ball Bumping with Quadruped Robots
Southern University of Science and Technology（南方科技大学）；Guangdong University of Technology（广东工业大学）
研究了四足机器人撞球运动的实时的运动规划与控制问题。为了使四足动物碰撞飞行球与不同的初始化，我们开发了一个非线性的轨迹优化为基础的规划方案，共同识别起飞时间和状态，以实现准确的击球在飞行阶段。这样的规划方案采用二维单刚体模型，该模型对于高度时间敏感的任务在精度和效率之间实现了令人满意的平衡。为了精确地执行计划的运动，跟踪控制器需要将严格的时间状态约束施加在起飞和击球事件上。为此，我们开发了一种改进的模型预测控制器，尊重关键的时间状态约束。建议的规划和控制框架进行了验证与一个真正的Aliengo机器人。实验表明，该问题规划方法平均计算时间约为60 ms，能够实时的成功完成各种初始化的撞球运动。
2022-10-11 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
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
Rapid and Reliable Quadruped Motion Planning with Omnidirectional Jumping
Massachusetts Institute of Technology（麻省理工学院）
足式机器人的动态跳跃是一个具有挑战性的规划和控制问题。制定跳跃优化以允许快速在线执行是困难的;有效地使用这种能力来生成长期运动计划使问题进一步复杂化。在这项工作中，我们提出了一个层次规划框架来解决这个问题。首先，我们制定了一个实时易处理的轨迹优化进行全向跳跃。然后，我们将这种优化的结果嵌入到低维跳跃可行性分类器中。利用该分类器来产生几何运动计划，该几何运动计划选择动态可行的跳跃，同时减轻过程噪声的影响。我们将我们的框架部署在Mini Cheetah Vision四足动物上，展示了机器人生成和执行可靠的目标导向计划的能力，这些计划涉及向前，横向和旋转跳跃到与机器人标称髋关节高度一样高的表面上。通过全向跳跃进行规划的能力大大扩展了机器人相对于限制跳跃到矢状面或额状面的规划者的移动性。
2022-03-05 cs.RO
HyperGuider: Virtual Reality Framework for Interactive Path Planning of Quadruped Robot in Cluttered and Multi-Terrain Environments
Skoltech（斯科尔科沃科学技术研究院）
四足平台由于其在崎岖地形中的高机动性和可通行性而成为一个活跃的研究课题。然而，确定机器人是否可以通过嘈杂的环境以及如何精确计算其路径是非常具有挑战性的。此外，所计算的路径可能穿过具有动态对象或环境的区域，这些动态对象或环境对于机器人或周围的人是危险的。因此，我们提出了一种新的概念性的方法，教四足机器人导航通过用户引导的路径规划在虚拟现实（VR）。我们的系统包含全局和局部路径规划器，允许机器人通过迭代学习生成路径。VR界面允许用户与环境交互，并在具有挑战性的场景中协助四足机器人。对比实验结果表明，人与路径规划算法的协同工作使算法的计算速度平均提高了35.58%，在测试场景下，路径长度平均非临界性地增加了6.66%。此外，用户将VR界面描述为不需要物理需求（2.3/10），并高度评价其性能（7.1/10）。对于在杂乱和非结构化环境中导航的任务，仍然需要找到一条不太理想但更安全的路径的能力。
2022-09-20 cs.HC cs.RO
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
Hybrid Dynamics Modeling and Trajectory Planning for a Cable-Trailer System with a Quadruped Robot
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（人工智能与自动化学院，华中科技大学）；Department of Data Science, City University of Hong Kong（数据科学系，城市大学）；Embodied AI Center of Shanghai AI Lab（上海人工智能实验室具身智能中心）
本文提出了一种混合动力学模型和搜索算法，用于四足机器人与电缆-拖车系统的轨迹规划，通过几何多边形碰撞避免约束实现安全高效的运动控制。
2025-11-05 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
Evolutionary-Based Online Motion Planning Framework for Quadruped Robot Jumping
The Chinese University of Hong Kong（香港中文大学）；Hong Kong Centre for Logistics Robotics（香港物流机器人中心）
本文提出基于差分进化、拉丁超立方采样和配置空间（DLC）的四足机器人跳跃在线运动规划框架，通过引入质心动力学优化、缩小搜索区域及热启动策略大幅降低求解时间，并在真实机器人上验证了多种跳跃动作的有效性。
2023-09-14 cs.RO
QuadPiPS: A Perception-informed Footstep Planner for Quadrupeds With Semantic Affordance Prediction
Georgia Institute of Technology（佐治亚理工学院）
QuadPiPS通过结合几何与语义编码的腿足自体环境表示，实现四足机器人的感知引导步态规划，提升在有限 foothold 情况下的安全性和地形适应能力。
2026-05-01 cs.RO
DeepGait: Planning and Control of Quadrupedal Gaits using Deep Reinforcement Learning
Robotic Systems Lab, ETH Zürich（苏黎世联邦理工学院机器人系统实验室）
本文研究了非平坦地形下的步行问题。由于诸如四足动物的足式机器人将被部署在具有难以建模和预测的几何形状的地形中，因此需要使它们具有很好地推广到不可预见的情况的能力。在这项工作中，我们提出了一种新的技术，训练神经网络的政策，地形感知运动，它结合了最先进的方法，基于模型的运动规划和强化学习。我们的方法是集中在制定马尔可夫决策过程中使用的评价动态可行性标准的物理模拟。因此，我们采用政策梯度的方法来独立的训练政策，分别计划和执行立足点和基础运动在3D环境中使用本体感受和外感受测量。我们应用我们的方法在一个具有挑战性的模拟地形的情况下，其中包含的功能，如狭窄的桥梁，差距和踏脚石，和训练政策，成功地在所有情况下，有效地进行。
2020-01-31 cs.LG cs.RO
Hierarchical Experience-informed Navigation for Multi-modal Quadrupedal Rebar Grid Traversal
Georgia Institute of Technology（佐治亚理工学院）；School of Mechanical Engineering, Georgia Institute of Technology（佐治亚理工学院机械工程学院）；SkyMul Inc（SkyMul公司）；School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）
本研究提出一种分层经验引导的多模态接触规划框架，结合高层接触序列规划与底层运动动力学轨迹优化，引入躯干路径引导启发式减少离线试验次数，实现四足机器人在受限钢筋环境中的敏捷导航，并通过仿真与真实硬件验证了有效性。
2024-04-13 cs.RO
Multi-Objective Global Path Planning for Lunar Exploration With a Quadruped Robot
ETH Zurich（苏黎世联邦理工学院）
针对非结构化月球探测环境的多目标路径规划需求，提出基于A*算法、可调整目标权重的全局规划器及配套统计分析工具，在阿里斯塔克斯高原测试中效果优于人工规划路径且已开源。
2024-06-24 cs.RO
Flying Trot Control Method for Quadruped Robot Based on Trajectory Planning
Shandong University（山东大学）；Shandong Youbaote Intelligent Robot Co., Ltd（山东优宝特智能机器人有限公司）；China North Vehicle Research Institute（中国北方车辆研究所）
提出了一种将离线轨迹规划与实时平衡控制相结合的飞行小跑直观控制方法。利用弹簧负载倒立摆（SLIP）模型分析了奔跑动物在垂直方向上的运动特性，规划了机器人的足运动轨迹，使机器人能够根据给定的躯干高度和速度，实现类似于垂直飞行动物的奔跑。为了提高跑步的鲁棒性，提出了一种基于脚加速度调节的姿态控制方法。提出了一种新的基于运动学的CoM观测方法和CoM调节方法，以提高运动的稳定性。为了减小机器人与环境交互时的冲击力，采用虚拟模型控制方法对足部轨迹进行控制，实现主动柔顺。通过为虚拟模型选择适当的参数，虚拟模型的振荡运动和支撑脚的规划运动被同步，以避免由虚拟模型的振荡运动相对于机器人运动引起的大的干扰。以四足机器人Billy为例进行了仿真和实验。在实验中，机器人的最大速度可以达到每秒4.73倍体长，验证了控制方法的可行性。
2022-10-24 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
Quadruped Capturability and Push Recovery via a Switched-Systems Characterization of Dynamic Balance
Southern University of Science and Technology（南方科技大学）；University of Notre Dame（圣母大学）
本文研究四足机器人运动的捕获性和推力恢复。尽管关于足式机器人的可捕获性分析和推动恢复控制的文献丰富，但现有的工具主要是为两足动物或类人动物开发的。独特的四足特征，如点接触和多摆动腿，防止直接应用这些方法。为了解决这个差距，我们提出了一个切换系统模型的四足动力学，并实例化的抽象可行性概念四足运动与基于时间的步态。捕获的特点是通过一个新的规范的动态平衡状态，解决了四足运动和平衡的时变性质。一个线性倒立摆（LIP）模型被采用来证明理论和显示如何新开发的四足捕获能力可以用于运动规划四足推动恢复。我们制定和解决一个明确的模型预测控制（EMPC）问题，其最优解充分表征四足动物的捕获能力与LIP。基于此分析，设计了一种基于优化的规划方案，用于在推恢复期间确定脚步和质心参考。为了验证整个框架的有效性，我们进行了大量的仿真和硬件实验。仿真结果表明，考虑动态平衡的四足机器人的捕获能力的必要性，和显着改善的干扰抑制与所提出的策略。对迷你猎豹四足动物的复制品进行的实验验证表明，与最先进的技术相比，其性能提高了100%。
2022-02-17 cs.RO
Interactive multi-modal motion planning with Branch Model Predictive Control
California Institute of Technology（加州理工学院）
自主机器人和车辆的运动规划存在的不受控制的代理仍然是一个具有挑战性的问题，因为反应行为的不受控制的代理必须考虑。由于不受控制的智能体通常表现出多模态反应行为，运动规划器需要解决这些行为下的连续运动规划问题，其中包含离散元素。我们提出了一个分支模型预测控制（MPC）框架，计划反馈策略，利用不受控制的代理的反应行为。特别是，一个场景树是从一个有限的一组不受控制的代理的政策，和分支MPC解决了反馈策略的轨迹树的形式，共享相同的拓扑结构的场景树。此外，一致的风险度量，如条件风险价值（CVaR）被用作调整旋钮，以调整性能和鲁棒性之间的权衡。建议的分支MPC框架进行测试的超车和变道任务和合并任务的自动驾驶车辆的模拟，并在实验中的一个自主四足机器人旁边的不受控制的四足动物的运动规划。结果展示了有趣的人类行为，实现了安全和性能之间的平衡。
2021-09-18 cs.RO cs.SY eess.SY
Quadrupedal Footstep Planning using Learned Motion Models of a Black-Box Controller
Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）；University of Bonn（波恩大学）
本研究提出一种快速局部运动规划流水线，通过学习黑盒行走控制器的运动模型并结合A star算法变体，使四足机器人能够基于视觉信息安全自主地穿越崎岖地形。
2025-01-29 cs.RO
Extended Capture Point and Optimization-based Control for Quadrupedal Robot Walking on Dynamic Rigid Surfaces
University of Massachusetts Lowell（麻省大学洛厄尔分校）
稳定足式机器人在动态刚性表面（DRS）上的运动（即，在惯性系中运动的刚性表面）是复杂的规划和控制问题。由于混合非线性行走动力学的复杂性受到显式时变完整约束所造成的表面运动。这项研究的第一个主要贡献是扩展的捕获点从静态表面上行走的DRS上的运动，以及使用所得到的捕获点在线运动规划。第二个主要贡献是二次规划（QP）的反馈控制器设计，明确考虑DRS运动。通过对四足机器人在具有摇摆运动的DRS上行走的仿真，验证了所提出的控制方法的稳定性和鲁棒性。仿真结果还表明，与我们以前的方法相比，改进的步行性能离线规划和输入输出线性化控制的基础上，不明确保证地面接触约束的可行性。
2021-09-10 cs.RO math.OC
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
Predictive Control with Indirect Adaptive Laws for Payload Transportation by Quadrupedal Robots
Department of Mechanical Engineering, Virginia Tech（机械工程系，弗吉尼亚理工学院）
本文提出一种基于间接自适应律的预测控制框架，用于四足机器人在复杂地形中稳健运输未知负载。
2026-03-09 cs.RO cs.SY eess.SY
Adaptive CLF-MPC With Application To Quadrupedal Robots
ETH Zurich（苏黎世联邦理工学院）
现代机器人系统具有卓越的移动性和机械技能，使其适合在现实世界中使用，需要与重物和精确操作能力进行交互。例如，具有高有效载荷能力的足式机器人可用于灾难场景，以移除危险材料或运送受伤人员。因此，有必要开发规划算法，可以使复杂的机器人准确地执行运动和操纵任务。此外，还需要针对新的未知环境的在线适应机制。在这项工作中，我们要求由模型预测控制（MPC）生成的最佳状态输入轨迹满足机器人系统自适应控制中推导出的李雅普诺夫函数准则。其结果是，我们结合了控制李雅普诺夫函数（CLFs）和MPC提供的最优性在一个统一的自适应框架中提供的稳定性保证，在机器人与未知物体的相互作用过程中产生了更好的性能。我们验证所提出的方法在模拟和硬件测试的四足机器人进行未建模的有效载荷和拉重箱。
2022-03-21 cs.RO cs.SY eess.SY
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
Online Trajectory Optimization for Dynamic Aerial Motions of a Quadruped Robot
Massachusetts Institute of Technology（麻省理工学院）
这项工作提出了一个两部分的框架，在线规划和执行的动态空中运动的四足机器人。运动规划通过质心动量为基础的非线性优化，是一般足以产生丰富的新的动态运动集的基础上，仅根据用户指定的接触时间表和所需的发射速度的机器人。由于这种非线性优化对于实时滚动时域控制来说是不容易处理的，因此在空中运动的准备中经由非线性优化来规划运动一次，然后使用基于变分的最优控制器来连续跟踪运动，该基于变分的最优控制器对存在于实际硬件中的不确定性（诸如建模误差或干扰）提供鲁棒性。运动规划通常需要0.05-0.15秒，而最佳控制器在500 Hz时找到稳定的反馈输入。在MIT Mini Cheetah上的实验结果表明，该框架可以可靠地产生成功的空中运动，如跳上和跳下平台、旋转、翻转、桶形滚转和跨越障碍物的跳跃。
2021-10-12 cs.RO
ViT-A*: Legged Robot Path Planning using Vision Transformer A*
University College London（伦敦大学学院）
针对四足机器人在复杂环境中的导航问题，提出利用可微分规划器结合视觉Transformer（ViT）进行地图预处理，实现端到端全局路径规划，并在Spot和Go1机器人上验证了其有效性。
2023-10-11 cs.RO
Zero-Shot Retargeting of Learned Quadruped Locomotion Policies Using Hybrid Kinodynamic Model Predictive Control
University of Notre Dame（圣母大学）；Robotics at Google（谷歌机器人部门）
强化学习（RL）在四足动物运动方面取得了长足的进步，并在策略的可靠仿真到现实迁移方面取得了持续的进展。然而，在另一个机器人上重用策略仍然是一个挑战，这可以节省重新训练的时间。在这项工作中，我们提出了一个框架zero-shot政策重定向，其中不同的运动技能可以在不同形状和大小的机器人之间转移。新的框架集中在一个规划和控制管道，系统地集成RL和模型预测控制（MPC）。规划阶段采用RL生成动态似然轨迹以及接触时间表，避免了接触序列优化的组合复杂性。然后，这些信息被用于播种MPC，以通过一个新的混合Kinodynamic（HKD）模型来稳定和鲁棒化政策推出，该模型隐式优化了立足点位置。硬件结果表明，能够将策略从A1和Laikago机器人传输到MIT Mini Cheetah机器人，而无需任何策略重新调整。
2022-09-28 cs.RO
Collaborative Navigation and Manipulation of a Cable-towed Load by Multiple Quadrupedal Robots
University of California, Berkeley（加州大学伯克利分校）；Meta AI Research（Meta人工智能研究院）
本文研究了机器人协同牵引负载与电缆到一个指定的目标位置，同时避免碰撞，在实时的的问题。电缆的引入（与刚性链接相反）使机器人团队能够通过电缆的松弛/拉紧开关改变其固有尺寸来穿过狭窄的空间。然而，这是一个具有挑战性的问题，因为混合模式切换和多个机器人和负载之间的动态耦合。以前解决此类问题的尝试是离线执行的，并且不考虑在线避免障碍。在本文中，我们介绍了一个级联的规划方案与并行集中式轨迹优化，处理混合模式开关。我们还开发了一套分散的规划器每个机器人，这使得我们的方法来解决问题的协同负载操纵在线。我们开发并展示了第一个协作自治框架，能够移动电缆牵引负载，这是太重了，不能由单个机器人移动，通过狭窄的空间与实时反馈和反应性规划的实验。
2022-06-29 cs.AI cs.RO cs.SY
Online Dynamic Trajectory Optimization and Control for a Quadruped Robot
University of Edinburgh（爱丁堡大学）；McGill University（麦吉尔大学）
足式机器人运动需要规划稳定的参考轨迹，特别是在穿越不平坦地形时。所提出的轨迹优化框架能够为多个步骤生成动态稳定的基础和脚步轨迹。运动任务可以用接触位置、基础运动或两者来定义，使得算法适用于多种场景（例如，移动障碍物）。该规划器使用简化的基于动量的任务空间模型的机器人动力学，允许计算时间足够快的在线重新规划。这种快速规划能力也使四足动物适应漂移和环境变化。该算法在模拟和真实机器人上进行了测试，包括不平坦的地形，楼梯和移动障碍物。结果表明，即使在最后时刻将一个15厘米高的盒子放在机器人路径的前面，该规划器也能够在真实机器人中生成稳定的轨迹。
2021-03-23 cs.RO
Vision-based Navigation for a Small-scale Quadruped Robot Pegasus-Mini
Institute of Robotics and Intelligent Manufacturing (IRIM), The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）机器人与智能制造研究院（IRIM））；Shenzhen Institute of Artificial Intelligence and Robotics for Society (AIRS), The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）深圳人工智能与机器人研究院（AIRS））
四足机器人运动目前是一个充满活力的研究领域，它已经达到了成熟和性能的水平，使一些最先进的现实世界中的应用与自主四足机器人在学术界和工业界。近几十年来，四足机器人的盲鲁棒运动在控制和技术方面得到了很大的发展。然而，在复杂的环境中，仍然需要包括地形感知和路径规划的能力。视觉感知是满足这种需求的一种必不可少的能力。针对小型四足机器人Pegasus-Mini，提出了一种基于视觉的导航方法，旨在为小型四足机器人的运动提供高效可靠的导航。本文提出的视觉导航方法适用于计算资源和空间有限的小型四足机器人平台。采用基于CNN模型的语义分割方法对室外环境下的实时路径进行分割。通过实时更新由图像中分割路径的边缘位置计算出的中间线，生成期望的遍历轨迹。为了提高直接基于语义分割方法的路径规划的稳定性，提出了一种考虑时间信息的轨迹补偿方法，对规划的不可信路径进行修正，并通过语义分割和园林场景下的导航实验验证了该方法的有效性。
2021-10-09 cs.RO
Momentum-Aware Trajectory Optimization and Control for Agile Quadrupedal Locomotion
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所）；MIT Biomimetic Robotics Lab（麻省理工学院仿生机器人实验室）；NAVER LABS（NAVER实验室）
在这封信中，我们提出了一个多功能的分层离线规划算法，以及敏捷四足运动的在线控制管道。我们的离线规划器在优化降阶模型的质心动力学和全身轨迹优化之间交替，目的是实现动力学共识。我们的新的动量惯性感知质心优化，它使用了一个等动量椭球参数化，能够通过“惯性整形”产生高度杂技运动。我们的全身优化方法通过迭代利用质心水平的反馈，显着提高了标准DDP为基础的方法的质量。对于在线控制，我们已经开发了一种新的凸模型预测控制计划，通过线性变换的完整的质心动态。我们的控制器可以在单一优化中有效地优化接触力和关节加速度，与现有的四足MPC控制器相比，能够更直接地跟踪动量丰富的运动。我们证明了我们的轨迹规划的能力和通用性，对四种不同的动态机动。然后，我们提出了一个硬件实验上的麻省理工学院迷你猎豹平台上演示的性能，整个规划和控制管道上的扭转跳跃机动。
2022-06-19 cs.RO
Data-Driven Physics Embedded Dynamics with Predictive Control and Reinforcement Learning for Quadrupeds
本文提出一种结合预测控制与强化学习的四足机器人动力学方法，通过引入拉格朗日神经网络提升物理一致性，实现高效计算和更优任务性能。
2026-03-15 cs.LG cs.RO
Rolling in the Deep -- Hybrid Locomotion for Wheeled-Legged Robots using Online Trajectory Optimization
ETH Zürich（苏黎世联邦理工学院）；Delft University of Technology（代尔夫特理工大学）；Boston Dynamics（波士顿动力公司）
轮式足式机器人具有高度敏捷和多功能运动的潜力。腿和轮子的组合可能是任何需要在具有挑战性的地形上快速和长距离移动技能的现实世界应用的解决方案。在本文中，我们提出了一个在线轨迹优化框架轮式四足机器人能够执行混合步行驱动运动策略。通过将优化问题分解为轮和基座轨迹规划，高维轮足式机器人的运动规划变得更加易于处理，可以以模型预测控制的方式实时在线求解，并且对于不可预测的干扰变得鲁棒。参考运动由分层全身控制器跟踪，该控制器向机器人发送扭矩命令。我们的方法是验证四足机器人与非转向轮连接到它的腿。该机器人执行混合运动的各种步态序列在粗糙的地形。此外，我们在美国国防高级研究计划局（DARPA）地下挑战赛中验证了机器人平台，机器人在那里快速绘制地图，导航和探索动态地下环境。
2020-02-06 cs.RO cs.SY eess.SY
16 Ways to Gallop: Energetics and Body Dynamics of High-Speed Quadrupedal Gaits
Department of Mechanical and Aerospace Engineering, Syracuse University（机械与航空航天工程系，苏利文大学）
本研究通过分析四足机器人疾跑步态的能耗特性，发现飞行相数对能量效率有显著影响，为未来节能机器人设计提供理论支持。
2025-08-04 cs.RO cs.SY eess.SY
Trajectory Optimization for Quadruped Mobile Manipulators that Carry Heavy Payload
Italian Institute of Technology（意大利技术研究院）；University of Genoa（热那亚大学）
提出了一种简化的基于模型的轨迹优化（TO）公式，用于已知质量的四足移动机械臂的运动规划。建议的有效载荷感知制定同时计划运动，有效载荷操纵，并考虑机器人和有效载荷模型的动态，同时保持计算效率。在存在重型有效载荷的情况下，由于有效载荷操纵在优化中的贡献，该方法在运动学要求高的运动中表现出减少的腿部伸展（从而增加可操纵性）。该框架的计算效率和性能进行了验证，通过一些模拟和实验研究与双手动四足CENTAURO机器人进行其手臂上的有效载荷，超过其质量的15%，并穿越非平坦地形。
2022-10-13 cs.RO
TRG-planner: Traversal Risk Graph-Based Path Planning in Unstructured Environments for Safe and Efficient Navigation
School of Electrical Engineering, KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院电气工程学院）
本文提出 TRG-planner，利用遍历风险图（TRG）在非结构化环境中实现安全且距离高效的路径规划，并通过分层管理与图优化兼顾安全性和路径长度，在真实四足机器人实验中验证了其优越性。
2025-01-03 cs.RO cs.SY eess.SY
WALK-VIO: Walking-motion-Adaptive Leg Kinematic Constraint Visual-Inertial Odometry for Quadruped Robots
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
本文提出了一种新的视觉-惯性里程计（VIO），它具有随身体运动而变化的步行运动自适应腿部运动约束，用于四足机器人的定位。四足机器人主要使用VIO，因为它们需要快速定位以进行控制和路径规划。然而，由于四足机器人主要用于户外，从天空或地面提取的无关特征会导致跟踪失败。此外，四足机器人的步行运动会导致摆动，这会降低由于相机和惯性测量单元（IMU）的定位精度。为了克服这些限制，许多研究人员使用VIO与腿部运动学约束。然而，由于四足机器人的步行运动根据控制器，步态，四足机器人的速度，等等，这些因素应该考虑的过程中添加腿运动学约束。我们提出了VIO，可以使用无论步行运动通过调整腿的运动学约束因子。为了评估WALK-VIO，我们创建并发布了四足机器人的数据集，这些机器人在仿真环境中以各种类型的步行运动移动。此外，我们通过与当前最先进的算法进行比较，验证了WALK-VIO的有效性。
2021-11-30 cs.RO
Long-horizon Locomotion and Manipulation on a Quadrupedal Robot with Large Language Models
Tsinghua University（清华大学）；Shanghai Qi Zhi Institute（上海期智研究院）；University of California, Berkeley（加利福尼亚大学伯克利分校）
本研究提出基于大语言模型的四足机器人系统，通过多LLM智能体实现高层任务规划与代码生成，结合强化学习训练的底层运动技能，可完成需多步策略的长时程运动与操作任务，在仿真和真实场景中均验证有效。
2025-03-19 cs.RO
BiConMP: A Nonlinear Model Predictive Control Framework for Whole Body Motion Planning
Tandon School of Engineering, New York University（纽约大学坦登工程学院）；Max-Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
足式机器人的全身运动规划是具有挑战性的，由于在机器人动力学固有的非线性。在这项工作中，我们提出了一个非线性MPC框架，BiConMP，它可以有效地利用机器人动力学的结构在线生成全身轨迹。BiConMP用于在真实的四足机器人上生成各种循环步态，并在不同地形上评估其性能，对抗不可预见的推动并在不同步态之间在线过渡。此外，能力的BiConMP产生非平凡的非循环的全身动态运动的机器人。同样的方法也被用来产生各种动态运动的MPC上的人形机器人（Talos）和另一个四足机器人（AnYmal）的仿真。最后，一个广泛的实证分析的影响，规划水平和频率的非线性MPC框架的报告和讨论。
2022-09-15 cs.RO
Hybrid System Planning using a Mixed-Integer ADMM Heuristic and Hybrid Zonotopes
The Pennsylvania State University（宾夕法尼亚州立大学）
本文提出了一种混合系统规划框架，结合混合聚束体与ADMM启发式方法，以提高混合系统规划的效率和收敛速度。
2026-08-18 cs.RO cs.SY eess.SY
Layered Control for Cooperative Locomotion of Two Quadrupedal Robots: Centralized and Distributed Approaches
Virginia Tech（弗吉尼亚理工大学）；California Institute of Technology（加州理工学院）
针对两个完整约束四足机器人的鲁棒协作运动，提出了一种实时轨迹规划和控制的分层控制方法。提出了一种基于单刚体动力学的新型互联网络降阶模型，用于轨迹规划。在更高层次的控制架构，两个不同的模型预测控制（MPC）算法，提出了解决最优控制问题的互联SRB动态：集中式和分布式MPC。分布式MPC假设两个局部二次规划，根据一步通信延迟和协议共享其最优解。在较低层次的控制方案，分布式非线性控制器的开发，施加全阶动态跟踪规定的降低了由MPC产生的轨迹。控制方法的有效性进行了验证与广泛的数值模拟和实验的鲁棒性和合作运动的两个holonomically约束A1机器人与不同的有效载荷在可变的地形和干扰的存在下。结果表明，分布式MPC具有类似的集中式MPC的性能，而计算时间显着减少。
2022-11-13 cs.RO math.OC
ADMM-Based Distributed MPC with Control Barrier Functions for Safe Multi-Robot Quadrupedal Locomotion
Department of Mechanical Engineering, Virginia Tech（弗吉尼亚理工大学机械工程系）；The University of Texas at El Paso（德克萨斯理工大学）
本文提出基于ADMM的去中心化MPC框架，结合控制屏障函数约束，用于多机器人腿部系统的安全轨迹规划。通过节点-边分割公式与共识约束，将全局问题分解为独立二次规划问题，实现高效去中心化优化，提升实时性与安全性。
2026-03-19 cs.RO math.OC
HT-LIP Model based Robust Control of Quadrupedal Robot Locomotion under Unknown Vertical Ground Motion
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；NVIDIA Research（英伟达研究院）；Purdue University（普渡大学）
提出一种基于HT-LIP模型的分层控制框架，通过可证明稳定的落脚点控制器和二次规划，实现四足机器人在未知垂直动态表面上的鲁棒运动。
2024-03-24 cs.RO cs.SY eess.SY
Symbolic Learning of Interpretable Reduced-Order Models for Jumping Quadruped Robots
Department of Cognitive Robotics, Delft University of Technology（认知机器人学系，代尔夫特理工大学）；Computer Science and Artificial Intelligence Laboratory (CSAIL), Massachusetts Institute of Technology（计算机科学与人工智能实验室（CSAIL），麻省理工学院）；Institute of Robotics and Mechatronics, German Aerospace Center (DLR)（机器人与机电研究所，德国航空航天中心（DLR））；Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学）
本文提出结合线性自编码器和符号回归的方法，用于自动学习可解释的降阶模型，以提升四足机器人跳跃任务的性能。
2026-01-13 cs.AI cs.RO cs.SY
DiPPeST: Diffusion-based Path Planner for Synthesizing Trajectories Applied on Quadruped Robots
University College London（伦敦大学学院）
DiPPeST是一种基于扩散的图像和目标条件轨迹生成器，通过零样本适配和实时局部路径细化，在四足机器人上实现高避障成功率，并在狭窄环境中优于现有局部规划器。
2024-05-29 cs.RO
Walking in Narrow Spaces: Safety-critical Locomotion Control for Quadrupedal Robots with Duality-based Optimization
University of California, Berkeley（加州大学伯克利分校）
本文提出一种结合指数离散控制屏障函数与对偶避障约束的四足机器人安全运动控制框架，利用多面体精确描述形状，实现真实世界中狭窄空间的安全自主导航。
2023-08-09 cs.RO
Fast Contact-Implicit Model-Predictive Control
Carnegie Mellon University（卡内基梅隆大学）；Stanford University（斯坦福大学）
我们提出了一个通用的方法来控制机器人系统，使和打破接触他们的环境。接触隐式模型预测控制（CI-MPC）通过利用双层规划公式将线性MPC推广到接触丰富的设置，其中下层接触动态被公式化为使用关于参考轨迹的策略泰勒近似计算的时变线性互补问题（LCP）。这些动力学使上层规划问题能够推理接触时间和力，并在线生成全新的接触模式序列。为了实现可靠且快速的数值收敛，我们为这些LCP接触动力学设计了一个结构利用内点求解器，并为跟踪问题设计了一个自定义轨迹优化器。我们展示了实时的解决方案率CI-MPC和生成和跟踪非周期性行为的能力，在硬件实验上的四足机器人。我们还表明，控制器是鲁棒的模型失配，并可以通过发现和利用新的接触模式在各种机器人系统的模拟，包括推式机器人，平面料斗，平面四足动物，平面机器人的干扰。
2023-01-06 cs.RO cs.SY eess.SY
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
Combining model-predictive control and predictive reinforcement learning for stable quadrupedal robot locomotion
针对四足机器人稳定步态生成问题，提出MPC与预测RL结合的混合控制器，以神经网络Q函数作为末端代价降低短时域计算负担，并实现无需预训练的实时稳定运动。
2023-07-15 cs.AI cs.RO cs.SY
