Contact-Implicit Trajectory Optimization using Orthogonal Collocation
University of Cape Town（开普敦大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种利用正交配置法提高间歇接触动态机器人轨迹优化精度的方法。直到最近，大多数用于具有接触的系统的轨迹优化方法采用模式调度，其需要接触顺序的先验知识，因此不能产生复杂或非直观的行为。接触隐式轨迹优化方法通过允许优化根据需要建立或断开接触来提供对此的解决方案，但迄今为止精度较差。在这里，我们结合使用高阶正交多项式与接触隐式优化直接配置的方法，以显着提高精度的轨迹。关键的见解是增加多项式表示的阶数，同时保持在一个有限元的持续时间内发生冲击的假设。
2019-04-02 cs.RO
IMPACT: An Implicit Active-Set Augmented Lagrangian for Fast Contact-Implicit Trajectory Optimization
PEARL Lab, Dept. of Computer Science, TU Darmstadt, Germany（图腾实验室，计算机科学系，图恩大学，德国）；Hessian.AI, Darmstadt, Germany（海森AI，图恩，德国）；Robotics Institute Germany (RIG)（德国机器人研究所（RIG））
本文提出IMPACT方法，通过隐式主动集策略解决接触约束下的轨迹优化问题，实现高效求解并提升控制质量。
2026-06-23 cs.RO
Contact-Implicit Stein Projected ADMM for Discovery of Diverse Contact-Rich Manipulation Strategies
Yale University（耶鲁大学）；University of Sydney（悉尼大学）
本文提出一种结合Stein变分推断的共识ADMM变体，通过施加斥力于分离变量，实现接触丰富操作策略的多样化发现，在推动、抓取和多机器人交接任务中验证了其有效性和简洁性。
2026-09-24 cs.RO
Contact-Implicit Trajectory Optimization Based on a Variable Smooth Contact Model and Successive Convexification
Northeastern University（东北大学）
本文提出了一种基于可变光滑接触模型（VSCM）和逐次凸化（SCvx）的接触隐式轨迹优化（CITO）方法。VSCM在不损害物理保真度的情况下促进了基于梯度的优化的收敛。另一方面，建议SCVx为基础的方法结合了直接和拍摄的CITO方法的优点。对于评估，我们考虑非易失性操作任务。所提出的方法相比，基于迭代线性二次型调节器（iLQR）的一个平面的例子的版本。结果表明，这两种方法都可以找到物理一致的运动，完成任务，没有一个有意义的初始猜测，由于VSCM。所提出的SCVx为基础的方法优于基于iLQR的方法在收敛性，计算时间，和运动的质量found.Finally，所提出的SCVx为基础的方法进行了测试，在标准的机器人平台上，并表现出有效地为现实世界的应用。
2019-03-04 cs.RO
A Comparative Analysis of Contact Models in Trajectory Optimization for Manipulation
Northeastern University（东北大学）
本文分析了接触模型对接触隐式轨迹优化的影响。我们考虑了三种不同的方法：（1）基于互补约束的接触模型，（2）光滑接触模型，以及我们提出的方法（3）可变光滑接触模型。我们比较这些模型在模拟中的物理精度，运动质量和计算时间。在每种情况下，通过将所有扭矩变量设置为零来初始化优化过程，即，没有有意义的初始猜测。对于模拟，我们考虑了不同的复杂性为7度的自由度的机器人手臂的推动任务。我们的结果表明，所提出的可变光滑接触模型的基础上的优化提供了一个很好的权衡之间的物理保真度和运动质量的成本增加计算时间。
2018-07-30 cs.RO
Inverse Dynamics Trajectory Optimization for Contact-Implicit Model Predictive Control
California Institute of Technology（加州理工学院）；Toyota Research Institute（丰田研究院）；Department of Electrical Engineering, University of Notre Dame（诺特难大学电气工程系）
本文通过逆动力学轨迹优化结合一系列增量式创新，实现了实时接触隐式模型预测控制，并在20自由度双臂操作硬件任务上以超过100 Hz验证了有效性。
2025-05-05 cs.RO
Contact-Implicit Model Predictive Control: Controlling Diverse Quadruped Motions Without Pre-Planned Contact Modes or Trajectories
KAIST（韩国科学技术院）
本研究提出一种接触隐式MPC框架，结合硬接触模型与线性互补约束，通过解析梯度和多重打靶DDP实时发现多接触运动，在HOUND四足机器人的仿真与实物实验中验证了有效性。
2024-10-02 cs.RO
Centroidal Trajectory Generation and Stabilization based on Preview Control for Humanoid Multi-contact Motion
CNRS-AIST JRL (Joint Robotics Laboratory)（CNRS-AIST联合机器人实验室）；IRL（独立研究机构）；National Institute of Advanced Industrial Science and Technology (AIST)（国家先进工业科学与技术研究院）
针对人形机器人多接触运动，提出基于预览控制的质心在线轨迹生成与稳定方法，结合状态反馈与力矩分布，大幅降低计算成本并在仿真中实现稳定的多接触运动。
2025-05-29 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
Neural Trajectory Model: Implicit Neural Trajectory Representation for Trajectories Generation
IDEA（国际数字经济学院）；International Digital Economy Academy（国际数字经济学院）
本文首次将单智能体与多智能体轨迹规划问题重构为隐式神经轨迹表示上的查询问题，提出神经轨迹模型（NTM）。该方法在复杂环境中实现亚毫秒级GPU规划时间，几乎避免所有环境与智能体间碰撞并生成最短路径，还能高效修正低质量轨迹并解决多轨迹冲突。
2024-02-11 cs.RO
Contact-Implicit Trajectory Optimization for Dynamic Object Manipulation
ETH Zurich（苏黎世联邦理工学院）；Robotic Systems Lab（机器人系统实验室）
我们提出了一个接触隐式优化（CIO）的方法，计算最佳轨迹的刚体系统在接触丰富的设置。硬接触模型，并施加单边约束的形式的互补条件。采用牛顿碰撞定律，增强了物理正确性。最优控制问题是通过一个多射击计划制定为一个多阶段的计划。这个问题的结构中利用FORCES Pro框架检索最佳的运动计划，接触序列和控制输入，提高计算效率。我们调查我们的方法对各种动态对象的操作任务，由六个自由度机器人。最优轨迹的动态可行性，以及任务满意度的可重复性和准确性通过仿真和实际硬件实验的操作问题之一进行了验证。
2021-03-01 cs.RO
Contact-Rich Trajectory Generation in Confined Environments Using Iterative Convex Optimization
Robotics Institute Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Siemens CT（西门子中央研究院）
在动态不确定环境中应用智能机器人手臂（即，柔性生产线）仍然具有挑战性，这需要用于实时的轨迹生成的有效算法。用于机器人轨迹生成的运动规划问题是高度非线性和非凸的，其通常伴随有碰撞避免约束、机器人运动学和动力学约束以及任务约束（例如，遵循在表面上限定的笛卡尔轨迹并保持接触）。非线性、非凸规划问题求解起来计算量大，限制了机器人手臂在现实世界中的应用。针对具有复杂约束条件的冗余度机器人手臂规划问题，提出了一种基于迭代凸优化的运动规划方法，该方法能够有效地处理约束条件并实时的生成最优轨迹。该规划器保证了接触丰富的任务约束的满足，并避免在受限环境中的碰撞。通过大量的焊接磨削轨迹生成实验，验证了该方法的有效性及其在先进机器人制造中的适用性。
2020-08-09 cs.RO
Efficient Trajectory Generation for Robotic Systems Constrained by Contact Forces
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
在这项工作中，我们提出了一种基于最优控制和可达性分析的接触力约束的机器人系统的轨迹生成方法。通常情况下，接触约束机器人的动力学和约束是非线性的，相互耦合。我们不对模型和约束进行线性化，而是直接求解最优控制问题，得到系统的可行状态轨迹和控制输入。一个易于处理的最优控制问题，制定这是解决的双重方法，这是基于采样的动态规划和严格的可达性分析。基于采样的方法和部分可观测马尔可夫决策过程（POMDP）被用来分解的端到端的轨迹生成问题，根据给定的条件下，通过样本明智的优化。结果生成要通过的子区域的顺序对，以达到最终目标。可达性分析确保我们将找到至少一条从给定初始状态开始并经过一系列子区域的轨迹。我们的方法的独特贡献是，使处理复杂的接触约束与系统的动力学，由于减少了算法的计算复杂性。我们验证了我们的方法使用广泛的数值模拟与足式机器人。
2019-03-26 cs.RO
Approximating Global Contact-Implicit MPC via Sampling and Local Complementarity
GRASP Laboratory at the University of Pennsylvania（宾夕法尼亚大学GRASP实验室）；Boston Dynamics（波士顿动力）；Amazon Robotics（亚马逊机器人技术）
本文提出一种结合局部互补性控制与全局采样方法的控制器，用于实时灵活操作。通过在每个控制循环中先进行无接触阶段再进行接触密集阶段，实现对非凸物体的精确非抓取操作。
2026-05-14 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
Reachability-based Trajectory Design via Exact Formulation of Implicit Neural Signed Distance Functions
University of Michigan（密歇根大学）
提出REDEFINED算法，结合离线可达性分析与在线神经隐式符号距离计算，实现实时滚动时域轨迹规划，确保复杂环境下的安全避碰。
2024-03-18 cs.RO
Wallbounce : Push wall to navigate with Contact-Implicit MPC
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
提出双层接触隐式规划与混合模型预测控制框架，利用手臂接触实现ballbot类机器人的高机动运动，增强控制权限，无需额外硬件。
2024-11-03 cs.RO
Trajectory Optimization Through Contacts and Automatic Gait Discovery for Quadrupeds
ETH Zürich（苏黎世联邦理工学院）
在这项工作中，我们提出了一个轨迹优化框架，通过接触全身运动规划。我们演示了如何所提出的方法可以应用于自动发现不同的步态和动态运动的四足机器人。与大多数以前的方法相比，我们没有预先指定接触开关，计时，点或步态模式，但它们是优化的直接结果。此外，我们优化了机器人的整个动力学，这使得优化器能够充分利用机器人的能力。为了说明可实现运动的范围，在这里我们展示了八种不同的任务，当使用最先进的方法解决时，这些任务需要非常不同的控制结构。使用我们的轨迹优化方法，我们用一个简单的、高水平的成本函数来解决每个任务，而不需要对控制结构进行任何改变。此外，我们将我们的方法与机器人的控制和估计框架完全集成，以便可以在线运行优化。通过演示一个粗糙的操作任务与多个动态接触开关，我们举例说明如何优化的轨迹和控制输入可以直接应用到硬件。
2016-07-15 cs.RO
Simultaneous Trajectory Optimization and Force Control with Soft Contact Mechanics
Georgia Institute of Technology（佐治亚理工学院）
力调制的机器人机械手已被广泛研究了几十年，但尚未普遍用于安全关键的应用，由于缺乏准确的相互作用接触建模和薄弱的性能保证-其中很大一部分涉及相互作用力的调制。本研究提出一个高层次的框架，同时轨迹优化和力控制的机械手和软环境之间的相互作用。考虑了滑动摩擦和法向接触力。软接触模型的动力学和机械手动力学同时纳入轨迹优化器中，以生成所需的运动和力分布。基于微分动态规划和交替方向乘子法的约束优化框架被用来生成最优控制输入和高维状态轨迹。在已知材料特性的软基片上采用笛卡尔空间力控制模式对模型性能进行了实验验证。结果表明，地面真相和预测模型的接触力状态的几个腕关节运动和摩擦模型的有效性范围的比较。潜在的应用包括高层次的任务规划的医疗任务，涉及操纵的顺应性，微妙的，可变形的组织。
2020-08-05 cs.RO
Contact-Implicit Model Predictive Control for Dexterous In-hand Manipulation: A Long-Horizon and Robust Approach
Tsinghua University（清华大学）；University of California, Berkeley（加州大学伯克利分校）；Institute for Guo Qiang, Tsinghua University（清华大学国强研究院）
本文提出一种接触隐式模型预测控制方法，实现无需预定义接触序列的鲁棒长时域灵巧手内操作，在23自由度旋转任务上以20Hz运行，并泛化至不同物体。
2024-11-07 cs.RO
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
Trajectory generation for multi-contact momentum-control
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Southern California（南加州大学）
简化的动力学模型，如线性倒立摆模型（LIPM）已被证明是在平地上行走。然而，对于更复杂的任务，这些模型的假设可能会受到限制。例如，LIPM不允许独立地控制接触力，仅限于共面接触，并且假设角动量为零。在本文中，我们提出使用完整的动量方程的人形机器人的轨迹优化框架规划其质心，线性和角动量轨迹。该模型还允许规划所需的接触力为每个末端执行器在任意接触位置。我们扩展了我们以前的结果LQR设计的动量控制计算（线性化）的最佳动量反馈法在滚动时域的时尚。所得到的期望的动量和相关的反馈法，然后在分层全身控制方法中使用。仿真实验表明，该方法是计算速度快，能够生成计划的复杂地形上的运动，同时表现出良好的跟踪性能的完整的人形控制。
2015-07-15 cs.RO
ContactNets: Learning Discontinuous Contact Dynamics with Smooth, Implicit Representations
University of Pennsylvania（宾夕法尼亚大学）
学习机器人动力学的常用方法假设运动是连续的，导致对经历不连续冲击和静摩擦行为的系统的不切实际的模型预测。在这项工作中，我们解决了这一冲突与接触引起的不连续性固有的结构的平滑，隐式编码。我们的方法，接触网，学习参数化的身体间有符号的距离和接触框架雅可比矩阵，一种表示，是兼容的许多仿真，控制和规划环境的机器人。此外，我们规避了需要区分通过刚性或非光滑动力学与一个新的损失函数的启发互补性和最大耗散的原则。当对60秒的真实数据进行训练时，我们的方法可以预测现实的撞击、非穿透和静摩擦。
2020-11-01 cs.LG cs.RO
Trajectory Optimization under Contact Timing Uncertainties
Munich Institute of Robotics and Machine Intelligence（慕尼黑机器人与机器智能研究所）；Technical University of Munich（慕尼黑工业大学）
本文针对机器人接触时机不确定性问题，提出一种将随机最优控制转化为确定性非线性规划的鲁棒控制方法，避免互补约束和组合爆炸，并在仿真中验证了其鲁棒性。
2024-10-18 cs.RO
On the Surprising Robustness of Sequential Convex Optimization for Contact-Implicit Motion Planning
The Hong Kong University of Science and Technology（香港科技大学）；Harvard University（哈佛大学）
提出仅关注原始问题的序列凸规划求解器CRISP，通过自适应信赖域和加权惩罚效用函数解决接触隐式运动规划中的互补约束问题，在朴素甚至全零初始化下展现出令人惊讶的鲁棒性。
2025-04-26 cs.RO math.OC
Reduced-Order Model Guided Contact-Implicit Model Predictive Control for Humanoid Locomotion
California Institute of Technology（加州理工学院）
针对人形机器人高维混合动力学控制难题，提出结合HLIP降阶模型与CI-MPC的控制框架，在24自由度机器人Achilles仿真中实现多种复杂运动能力，且支持50Hz实时运行。
2025-02-21 cs.RO
Adaptive Contact-Implicit Model Predictive Control with Online Residual Learning
University of Pennsylvania（宾夕法尼亚大学）；Arizona State University（亚利桑那州立大学）
针对多接触机器人模型失配问题，提出带在线残差学习的自适应接触隐式MPC框架，以约20 Hz实时修正混合模型，并在未知非光滑物体滚动操作中验证有效性。
2024-03-03 cs.RO
A General Formulation for Path Constrained Time-Optimized Trajectory Planning with Environmental and Object Contacts
Stony Brook University（石溪大学）；Technical University of Munich（慕尼黑工业大学）
针对带运动约束的物体操作任务，提出考虑接触摩擦锥约束的时间最优轨迹规划SOCP公式，可高效求解，经多场景仿真验证了通用性与有效性。
2024-10-08 cs.RO
Dynamically-Consistent Trajectory Optimization for Legged Robots via Contact Point Decomposition
Humanoid Robot Research Center, Korea Advanced Institute of Science and Technology（humanoid 机器人研究中心，韩国科学技术院）
本文提出基于接触点分解的腿式机器人相位轨迹优化框架，通过解耦接触点动力学、利用贝塞尔多项式特性保证约束满足，经四足机器人验证可生成动态可靠运动。
2026-08-27 cs.RO
Whole-Body Walking Generation using Contact Parametrization: A Non-Linear Trajectory Optimization Approach
Istituto Italiano di Tecnologia（意大利理工学院）；Università degli Studi di Genova（热那亚大学）
在本文中，我们描述了一个规划器能够产生步行轨迹，通过使用质心动力学和完整的运动学的人形机器人模型。机器人和行走表面之间的相互作用是明确建模通过一种新的接触参数化。该方法是无互补性的，并且不需要预定义的接触顺序。通过求解一个最优控制问题，我们得到步行轨迹。特别是，通过一组约束条件和动力学方程，我们的机器人模型与地面接触。我们描述了机器人需要实现的一组任务的目标。整个最优控制问题通过直接多重射击方法转化为一个优化问题，并用现成的求解器求解。我们表明，它是可以实现步行运动自动指定一组最小的参考，如一个恒定的所需的质心速度和地面上的参考点。
2020-03-10 cs.RO
Mediating between Contact Feasibility and Robustness of Trajectory Optimization through Chance Complementarity Constraints
Georgia Institute of Technology（佐治亚理工学院）；George W. Woodruff School of Mechanical Engineering（乔治·W·伍德拉夫机械工程学院）；Department of Electrical and Computer Engineering（电气与计算机工程系）
随着机器人从实验室进入现实世界，运动规划将需要考虑模型的不确定性和风险。对于涉及间歇性接触的机器人运动，规划接触中的不确定性尤为重要，因为未能成功地建立和保持接触可能是灾难性的。在这里，我们在地形几何形状和摩擦特性的不确定性模型，并结合风险敏感的目标与机会约束，提供一个权衡鲁棒性的不确定性和约束满足与任意高的可行性保证。我们评估我们的方法在两个简单的例子：推块系统的基准和单腿料斗。我们证明，机会约束单独产生的轨迹类似于使用严格的互补性约束，但是，当配备了一个强大的目标，我们的机会约束可以调解之间的权衡鲁棒性的不确定性和严格的约束满足。因此，我们的研究可能是一个重要的一步推理接触不确定性的运动规划。
2021-09-30 cs.RO
Multi-mode Trajectory Optimization for Impact-aware Manipulation
School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；Honda Research Institute Europe (HRI-EU)（本田欧洲研究所）；Shenzhen Institute for Artificial Intelligence and Robotics for Society (AIRS), The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳）深圳市人工智能与机器人研究院）
从自由运动到接触的过渡是机器人技术中的一个具有挑战性的问题，部分原因是其混合性质。此外，在运动规划水平上忽略冲击的影响通常会导致难以控制的冲击接触力。在本文中，我们介绍了一种碰撞感知的多模式轨迹优化（TO）的方法，结合了混合动力学和混合控制在一个连贯的方式。一个关键的概念是一个明确的接触力传递模型中的TO方法。这允许同时优化接触力、接触定时、连续运动轨迹和顺应性，同时满足任务约束。我们比较我们的方法对标准的合规性控制和物理模拟中的影响不可知的TO方法。此外，我们实验验证所提出的方法与机器人机械手的任务，停止大动量物体。
2020-09-03 cs.RO
Global Sampling-Based Trajectory Optimization for Contact-Rich Manipulation via KernelSOS
Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）；Inria, Département d’informatique de l’ENS, CNRS, PSL Research University（法国国家科学研究中心（CNRS）、巴黎高等师范学院（ENS）和PSL研究大学的Inria）
本文提出Global-MPPI框架，结合全局探索与局部优化，解决接触密集操作中的高维、长时域问题，实验显示其收敛更快且成本更低。
2026-04-29 cs.RO
Implicit Contact Diffuser: Sequential Contact Reasoning with Latent Point Cloud Diffusion
University of Michigan（密歇根大学）
本文提出隐式接触扩散器ICD，通过扩散模型生成神经描述符序列来表征物体与环境的接触关系，并以此引导MPC完成长时程接触丰富操作任务，在复杂操作中优于基线且具备跨环境泛化能力。
2024-10-21 cs.AI cs.LG 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
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
Kinodynamic Motion Retargeting for Humanoid Locomotion via Multi-Contact Whole-Body Trajectory Optimization
KDMR通过多接触全身轨迹优化，实现人形运动的动力学重定向，提升动作的动态可行性与稳定性，优于传统纯运动学方法。
2026-08-03 cs.RO
Collision Detection with Analytical Derivatives of Contact Kinematics
Department of Mechanical and Nuclear Engineering, Khalifa University of Science and Technology（卡利法大学科学与技术学院机械与核工程系）；Khalifa University Center for Autonomous Robotic Systems (KUCARS)（卡利法大学自主机器人系统中心）；The BioRobotics Institute, Scuola Superiore Sant’Anna（圣安娜高等学院生物机器人研究所）；Department of Excellence in Robotics and AI, Scuola Superiore Sant’Anna（圣安娜高等学院机器人与人工智能卓越部门）；LS2N Laboratory, Institut Mines Telecom Atlantique（Atlantique电信学院LS2N实验室）
iDCOL通过几何正则化和隐式可微框架实现鲁棒的碰撞检测与接触运动学计算，适用于路径规划和接触物理模拟。
2026-02-03 cs.RO
Trajectory Optimization for Manipulation of Deformable Objects: Assembly of Belt Drive Units
University of California, Berkeley（加州大学伯克利分校）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
提出了一种新的轨迹优化方法来解决带传动单元的机器人装配问题。涉及接触和可变形物体的机器人操作在动力学建模和轨迹规划方面都具有挑战性。对于建模，皮带张力和皮带与皮带轮之间的接触力的变化可能会显著改变系统动力学。对于轨迹规划，这是计算昂贵的规划轨迹的混合动力系统，因为它通常需要规划离散模式分开。在这项工作中，我们制定了带驱动单元装配任务作为一个轨迹优化问题的互补约束，以避免明确施加接触模式序列。该问题被解决作为一个数学规划与互补约束（MPCC），以获得可行的和有效的装配轨迹。我们验证所提出的方法在模拟与物理引擎和在现实世界中的实验与机器人机械手。
2021-06-21 cs.RO
Trajectory Optimization for Self-Wrap-Aware Cable-Towed Planar Object Manipulation under Implicit Tension Constraints
Munich Institute of Robotics and Machine Intelligence, Technical University of Munich, Germany（慕尼黑机器人与机器智能研究所，慕尼黑技术大学，德国）；Department of Mechanical Engineering, Stony Brook University（石溪大学机械工程系）
本文提出了一种考虑隐式张力约束的自缠绕缆绳拖拽平面物体操控轨迹优化方法，通过构建放松层次解决路由与张力耦合问题，实现更高效的力矩传输。
2026-03-10 cs.RO
Hybrid iLQR Model Predictive Control for Contact Implicit Stabilization on Legged Robots
Carnegie Mellon University（卡内基梅隆大学）；XPENG Robotics（小鹏机器人）
针对含接触足式机器人MPC实现难的问题，提出HiLQR MPC方法，通过修改代价计算、并行仿真和解析导数计算实现接触序列调整与全身运动规划，在弹跳球和Unitree A1测试中表现优于质心类方法。
2023-11-06 cs.RO
Human-Like Implicit Intention Expression for Autonomous Driving Motion Planning: A Method Based on Learning Human Intention Priors
Tongji University（同济大学）
本文提出一种基于人类意图先验和最大熵逆强化学习的自动驾驶运动规划方法，通过构建轨迹空间约束和奖励函数选择类人轨迹，在真实数据集上验证了其在类人程度、意图表达和计算效率上的优势。
2024-09-04 cs.RO
Unified Multi-Contact Fall Mitigation Planning for Humanoids via Contact Transition Tree Optimization
Duke University（杜克大学）
本文提出了一种多接触的方法，广义的人形跌倒缓解规划，统一惯性塑造，保护性的步伐，和手接触的战略。规划器优化接触序列和机器人状态轨迹。进行高级树搜索以迭代地生长联系人转换树。在树的每个边缘，轨迹优化用于计算机器人稳定轨迹，该轨迹产生期望的接触过渡，同时最小化动能。此外，在树的每个节点，优化器试图找到一个自运动（惯性成形运动），以消除动能。本文还提出了一种快速有效的初始种子生成方法，以利于轨迹优化。实验表明，我们提出的算法可以产生复杂的稳定策略的模拟机器人在不同的初始推力和环境形状。
2018-10-14 cs.RO
Trajectory optimization for contact-rich motions using implicit differential dynamic programming
Edinburgh Centre for Robotics（爱丁堡机器人中心）
本文提出利用灵敏度分析将DDP推广至隐式动力学系统，通过加速度级接触动力学与可逆接触模型实现精确接触建模，并在双摆摆起和单腿多体接触任务中验证了其优越性。
2021-01-20 cs.RO cs.SY eess.SY
Distilling Contact Planning for Fast Trajectory Optimization in Robot Air Hockey
Idiap Research Institute（Idiap研究 institute）；École Polytechnique Fédérale de Lausanne（瑞士联邦理工学院）；Intelligent Autonomous Systems, TU Darmstadt（智能自主系统，德累斯顿技术大学）；German Research Center for AI (DFKI)（德国人工智能研究中心）；Centre for Cognitive Science, Hessian.AI（认知科学中心，Hessian.AI）
针对机器人空气曲棍球高动态接触控制难实时求解的问题，提出高层接触规划随机最优控制策略蒸馏结合底层在线模型预测控制的框架，可平衡击球精度与冰球速度，在模拟和真实比赛中性能优于纯控制及纯学习方法。
2025-05-16 cs.RO
Contact-Rich Motion Planning via GPU-Parallel Mode Evaluation
TU Darmstadt（达姆施塔特工业大学）；Robotics Institute Germany (RIG)（德国机器人研究所）
本文提出CoMET方法，利用GPU并行轨迹评估与贪心接触模式扩展，在接触丰富运动规划中实现高效求解，性能优于现有基线。
2026-09-21 cs.RO
Long Horizon Planning through Contact using Discrete Search and Continuous Optimization
Carnegie Mellon University（卡内基梅隆大学）；Vanderbilt University（范德堡大学）
本文提出 Lazy INSAT 算法，通过图搜索与增量轨迹优化交错，并推迟优化调用、重用可行解，以高效规划接触支撑下的长时程机器人运动，从而扩展工作空间并降低执行力矩。
2024-01-17 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
Nonlinear Stochastic Trajectory Optimization for Centroidal Momentum Motion Generation of Legged Robots
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；LAAS-CNRS（LAAS-法国国家科学研究中心）；Université de Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）；University of Trento（特伦托大学）；Tandon School of Engineering, New York University（纽约大学坦登工程学院）
足式机器人的鲁棒轨迹的生成仍然是一个具有挑战性的任务，由于潜在的非线性，混合和本质上不稳定的动态，需要通过有限的接触力来稳定。此外，由与环境的未建模接触交互和模型失配引起的干扰可能会阻碍规划轨迹的质量，从而导致不安全的运动。在这项工作中，我们建议使用随机轨迹优化产生强大的质心动量轨迹，以考虑模型动力学和接触位置上的参数不确定性的添加剂的不确定性。通过鲁棒质心和全身轨迹优化之间的交替，我们生成鲁棒的动量轨迹，同时与全身动力学一致。我们进行了广泛的一组模拟不同的不确定性四足机器人显示，我们的随机轨迹优化问题减少了不同的步态，同时实现更好的性能确定性规划的脚滑移量。
2022-09-20 cs.RO
Push Anything: Single- and Multi-Object Pushing From First Sight with Contact-Implicit MPC
General Robotics, Automation, Sensing, and Perception (GRASP) Laboratory（通用机器人、自动化、感知与感知实验室）
本研究提出C3+算法，通过接触隐式MPC实现从首次视觉感知到多对象推移的高效操控，实现98%的成功率。
2026-03-05 cs.RO
SURE: Safe Uncertainty-Aware Robot-Environment Interaction using Trajectory Optimization
Technical University of Munich (TUM)（慕尼黑技术大学）；New York University (NYU)（纽约大学）；Carnegie Mellon University (CMU)（卡内基梅隆大学）
提出SURE框架，通过分支轨迹处理接触时间不确定性，在轨迹优化中实现鲁棒性，在推车杆平衡和机器人抓蛋任务中分别提升21.6%和40%的成功率。
2026-06-23 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
Global Convergence of an SQP Method for Contact-Implicit Trajectory Optimization
meta
本文针对约束丰富的动态系统的接触隐式轨迹优化，证明了带自适应时间步长细化的线搜索SQP方法的全局收敛性，该方法可有限终止于力参数化平稳点。
2026-08-14 cs.RO math.OC
Loco-Manipulation with Nonimpulsive Contact-Implicit Planning in a Slithering Robot
Northeastern University（东北大学）；California Institute of Technology（加州理工学院）
本研究针对蛇形机器人的运动-操作一体化需求，提出基于非脉冲隐式接触路径规划的优化方法，构建数学框架并通过仿真与实验验证了该方法的有效性。
2024-04-12 cs.RO cs.SY eess.SY
