Walking on Rough Terrain with Any Number of Legs
University of Michigan（密歇根大学）
本文提出了一种适用于多腿机器人在粗糙地形上行走的控制架构，结合了事件级联控制器与CPG控制器的特点，适用于多腿机器人。
2026-03-10 cs.RO
Adversarial Body Shape Search for Legged Robots
Chiba University（千叶大学）
提出了一种基于深度强化学习的演化计算方法，用于对腿式机器人零部件长度和厚度进行对抗性攻击。这种攻击改变了机器人的体型，并干扰了行走我们称被攻击的身体为对抗体型。演化计算方法通过最小化通过步行模拟获得的预期累积奖励来搜索对抗体型。为了评估所提出的方法的有效性，我们在OpenAI Gym中使用三条足式机器人、Walker2d、Ant-v2和Humanoid-v2进行实验。实验结果表明，Walker2d和Ant-v2更容易受到长度攻击，而Humanoid-v2更容易受到长度和厚度攻击。我们进一步确定，敌对的身体形状打破左右对称或转移的重心的足式机器人。发现对抗体型可以用于主动诊断足式机器人行走的弱点。
2022-05-20 cs.AI cs.RO
Four Simple Proprioceptive Estimators for Legged Robots
针对腿式机器人IMU漂移问题，提出四种基于足地接触的状态估计器，从接触辅助EKF到固定滞后平滑器，并在GTSAM和ROS2中实现。
2026-05-21 cs.RO
Development of a PPO-Reinforcement Learned Walking Tripedal Soft-Legged Robot using SOFA
针对软机器人模拟难题，提出使用SOFA框架结合PPO强化学习，开发行走式三足软腿机器人，实现恶劣环境任务替代潜力，单目标成功率82%且多目标序列任务表现优异。
2025-04-12 cs.AI cs.RO
Parameter Optimization of Optical Six-Axis Force/Torque Sensor for Legged Robots
针对紧凑型轻量化足式机器人，提出非接触式光学六轴力/扭矩传感器设计，采用光电耦合器提升抗冲击性并简化制造，同时提出参数优化方法以最大化灵敏度、最小化误差，经测试验证适用于四足机器人，推动相关技术进步。
2025-02-11 cs.RO
Multi-segmented Adaptive Feet for Versatile Legged Locomotion in Natural Terrain
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；KU Leuven（鲁汶大学）
大多数足式机器人都是由串联安装的连杆和致动器构成的腿结构，并通过复杂的控制器和传感器反馈进行控制。相比之下，动物发展出多节腿，关节之间的机械耦合和多节足。它们在所有地形上都跑得很敏捷，可以说是用更简单的运动控制。在这里，我们专注于开发脚的机制，防止滑动和下沉，也在自然地形。我们提出了第一个结果的多段脚安装到一个鸟的启发机器人腿与多关节机械肌腱耦合。我们的单段和双段机械自适应脚在开始滑动之前在多个软硬基底上显示出增加的可行水平力。我们还观察到，分段脚减少下沉软基板相比，球脚和圆柱脚。我们报告如何多段脚提供了一个大范围的可行的压力点中心非常适合双足机器人，但也为四足机器人在斜坡和自然地形。我们的研究结果也提供了一个功能的理解分节脚的动物，如平胸鸟。
2023-02-08 cs.RO
The Kinetics Observer: A Tightly Coupled Estimator for Legged Robots
CNRS-AIST JRL (Joint Robotics Laboratory)（法国国家科学研究中心-日本产业技术综合研究所联合机器人实验室）；National Institute of Advanced Industrial Science and Technology (AIST)（日本产业技术综合研究所）；Université Paris-Saclay（巴黎萨克雷大学）；Laboratoire d’Ingénierie des Systèmes de Versailles（凡尔赛系统工程实验室）；CNRS-University of Montpellier（法国国家科学研究中心-蒙彼利埃大学）
针对足式机器人本体感受状态估计难题，提出基于乘法扩展卡尔曼滤波的Kinetics Observer紧耦合估计器，通过接触粘弹性模型实现运动学与动力学紧耦合，提升估计鲁棒性与精度，已在两台人形机器人的行走与多接触运动场景中验证。
2026-10-09 cs.RO
Probabilistic Contact State Estimation for Legged Robots using Inertial Information
Institute of Computer Science, Foundation for Research and Technology - Hellas (FORTH)（希腊基础研究与技术基金会计算机科学研究所）；Ownage Dynamics L.P.（Ownage Dynamics有限合伙企业）
足式机器人在非结构化和光滑地形中的导航在很大程度上取决于准确识别机器人的脚与地面之间的接触质量的能力。接触状态估计被认为是一个具有挑战性的问题，通常通过利用力测量，关节编码器和/或机器人运动学和动力学来解决。与大多数现有技术的方法相比，目前的工作引入了一种新的概率方法，用于仅基于本体感受感测来估计接触状态，因为它很容易通过安装在机器人的末端执行器上的惯性测量单元（IMU）获得。利用IMU测量的不确定性，我们的方法估计稳定接触的概率。这是通过用核密度估计在IMU的每个轴的一批数据点上近似多模态概率密度函数来实现的。所提出的方法已被广泛评估对真实和模拟的情况下，两足和四足机器人平台，如ATLAS，TALOS和Unitree的GO 1。
2023-03-04 cs.RO
Proprioceptive State Estimation of Legged Robots with Kinematic Chain Modeling
Georgia Institute of Technology（佐治亚理工学院）；Florida Institute for Human & Machine Cognition（佛罗里达人机认知研究所）；University of West Florida（西佛罗里达大学）
足式机器人的运动是一个具有挑战性的任务，由于无数的子问题，如混合动力学的脚接触和所需的步态对地形的影响。通过向机器人控制器提供反馈信息，浮动基座和脚关节的准确且有效的状态估计可以帮助缓解这些问题中的大部分。当前的状态估计方法高度依赖于视觉和惯性测量的结合来提供实时估计，因此在感知差的环境中受到阻碍。在这项工作中，我们表明，通过利用机器人的运动链模型，通过因子图制定，我们可以执行状态估计的基础和腿关节，主要使用本体感受惯性数据。我们执行状态估计预集成IMU测量，正向运动学计算，并在一个基于因子图的框架接触检测的组合，使我们的状态估计受到机器人模型的约束。在模拟和硬件上的实验结果表明，我们的方法优于目前的本体感觉状态估计方法的平均27%，而被推广到各种足式机器人平台。我们证明了我们的结果定量和定性的各种各样的轨迹。
2022-12-19 cs.RO
Optimizing energy consumption for legged robot by adapting equilibrium position and stiffness of a parallel torsion spring
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）
本文针对腿足机器人能耗优化问题，提出一种由扭转弹簧与伺服驱动蜗轮蜗杆组成的自适应扭转弹簧机构，通过调整弹簧平衡位置和刚度补偿扭矩、降低电机负载，仿真验证其可显著降低能耗。
2024-11-27 cs.RO
WiXus: A Wheeled-Legged Robot with Wire-Driven Environmental Utilizing to Integrate Mobility and Manipulation
Department of Mechano-Informatics, Graduate School of Information Science and Technology, The University of Tokyo（机械信息学系，信息科学和技术研究生院，东京大学）
本文提出了一种新型轮腿机器人WiXus，通过利用外部环境的线驱动机制，使机器人能够实现平面移动和三维移动，并将腿部重新用于物体操作和工具使用。
2026-05-20 cs.RO
Adversarial joint attacks on legged robots
Chiba University（千叶大学）
我们解决了对抗攻击的执行器在关节的足式机器人训练的深度强化学习。联合攻击的脆弱性会显著影响足式机器人的安全性和鲁棒性。在这项研究中，我们证明了对抗扰动的致动器的扭矩控制信号可以显着减少奖励，并导致机器人行走不稳定。为了找到对抗性扭矩扰动，我们开发了黑盒对抗攻击，其中对手无法访问通过深度强化学习训练的神经网络。无论深度强化学习的架构和算法如何，黑箱攻击都可以应用于足式机器人。我们采用三种搜索方法的黑盒对抗攻击：随机搜索，差分进化，和数值梯度下降方法。在OpenAI Gym环境中对四足机器人Ant-v2和双足机器人Humanoid-v2进行的实验中，我们发现差分进化可以有效地找到三种方法中最强的扭矩扰动。此外，我们意识到，四足机器人Ant-v2是容易受到对抗性扰动，而两足机器人Humanoid-v2是强大的扰动。因此，联合攻击可以用于机器人行走不稳定性的主动诊断。
2022-05-20 cs.AI cs.RO
Sinkage Study in Granular Material for Space Exploration Legged Robot Gripper
Tohoku University（东北大学）；Technische Universität Berlin（柏林工业大学）；University at Buffalo（布法罗大学）
针对月球深层区域探测需求，本文研究欠驱动柔性夹持器在颗粒材料中的下陷特性，搭建试验台并建立耦合离散元的仿真模型，验证后可估算月壤环境下的下陷量，助力提升足式机器人移动精度。
2025-01-10 cs.RO
Ankle Joints Are Beneficial When Optimizing Supported Real-world Bipedal Robot Gaits
University of Oslo（奥斯陆大学）；Norwegian Defence Research Institute（挪威国防研究所）
足式机器人比轮式机器人具有更高的通用性和穿越更困难地形的能力。尽管足式机器人的使用在过去几年中急剧增加，但它们仍然没有接近自然界中有腿动物的性能。机器人腿通常在机械上相当简单，很少有踝关节，尽管大多数陆地哺乳动物都有。踝关节可能是一个关键，以更好的性能和稳定性的足式机器人，在本文中，我们研究如何使用踝关节的双足机器人可以提高其性能时，结合进化技术的步态优化。我们的研究表明，无论是在模拟和物理实验中，除了踝关节的结果在更大的步行速度的支持双足机器人。
2021-05-22 cs.RO
Autonomous Locomotion Mode Transition in Quadruped Track-Legged Robots: A Simulation-Based Analysis for Step Negotiation
University of Cambridge（剑桥大学）；ClearPath AI
本文提出了一种用于四足混合机器人自主切换运动模式的方法，特别是在跨越不同高度台阶时，通过能量效率评估机制实现平稳过渡。
2024-04-02 cs.RO cs.SY eess.SY
Legged Robots for Object Manipulation: A Review
Case Western Reserve University（凯斯西储大学）；National University of Singapore（新加坡国立大学）；Birla Institute of Technology and Science Pilani（比拉理工学院皮拉尼分校）
足式机器人在动态的、以人为中心的或以其他方式不可接近的环境中操纵物体方面可以具有独特的作用。虽然迄今为止大多数腿式机器人研究通常集中在穿越这些具有挑战性的环境，但许多腿式平台演示也包括“移动物体”作为一种做有形工作的方式。足式机器人可以被设计成操纵特定类型的物体（例如，纸板箱、足球或较大的家具）。本次审查的目的是收集和学习这些例子，组织迄今为止在社区中所做的工作，并强调未来工作的有趣的开放途径。这篇评论将现有的作品分为四个主要的操作方法：对象的相互作用，没有把握，操作与步行腿，专用的非机车武器，腿的团队。每种方法都有不同的设计和自治功能，这是说明了文献中可用的例子。基于一些简化的假设，我们进一步提供了定量比较的范围内可能的相对尺寸的被操纵的对象相对于机器人。综上所述，这些例子提出了足式机器人操纵研究的新方向，如多功能肢体、地形建模或基于学习的控制，以支持在仓库/建筑工地、自然保护区、特别是家用机器人中具有挑战性的室内/室外场景中的许多新部署。
2023-03-29 cs.RO
Legged Robot State Estimation in Slippery Environments Using Invariant Extended Kalman Filter with Velocity Update
University of Michigan（密歇根大学）；University of California, Berkeley（加州大学伯克利分校）
提出了一种适用于湿滑环境下足式机器人的状态估计器。一个不变的扩展卡尔曼滤波器（InEKF）的融合惯性和速度测量跟踪相机和腿部运动学约束。{ \color{black}还对摄像机和机器人框架之间的未对准进行建模，从而实现摄像机姿态的自动校准。}基于腿运动学的速度测量被公式化为右不变观测。非线性可观测性分析表明，除了绕重力矢量的旋转和绝对位置外，除某些奇异情况外，所有状态都是可观测的。离散可观性分析表明，我们的过滤器是一致的潜在的非线性系统。提出了一种在线噪声参数整定方法，以适应相机测量噪声的强时变特性。该方法在Cassie双足机器人上进行了实验验证。该实验的视频可以在https://youtu.be/VIqJL0cUr7s上找到。
2021-04-09 cs.RO
Zippy: The smallest power-autonomous bipedal robot
Robotics Institute（机器人研究所）；College of Engineering（工程学院）；Department of Mechanical Engineering（机械工程系）
本文提出了仅3.6厘米高的最小自包含双足机器人Zippy，通过准被动设计与单电机开环控制实现转弯、跳跃和登阶，并以每秒10个腿长的速度成为该指标下最快的双足机器人。
2025-05-08 cs.RO
Optimized Wrench Polytope Analysis for Real-Time Stability Control of Legged Robots in Complex Multi-Contact Configurations
FZI Research Center for Information Technology（FZI信息技术研究中心）
针对腿式机器人在复杂多接触场景下的稳定性控制，提出优化扳手多面体分析算法，实现49Hz实时计算，并在仿真和实际硬件上验证了超越现有控制器的稳定性。
2026-09-16 cs.RO
Verifying Safe Transitions between Dynamic Motion Primitives on Legged Robots
California Institute of Technology（加州理工学院）
本文提出一种形式化方法，用于确定足式机器人动态运动基元间安全转换的动态状态感知条件，构建可遍历的运动基元图以实现功能自主，并在四足机器人上验证了站立、行走、跳跃等基元及其转换。
2023-09-14 cs.RO
Robust Legged Robot State Estimation Using Factor Graph Optimization
Oxford Robotics Institute（牛津机器人研究所）；University of Oxford（牛津大学）
足式机器人，特别是四足机器人，对于工业应用，如检查，正变得越来越有吸引力。然而，离开实验室并对最终用户有用需要在恶劣条件下的可靠性。从状态估计的角度来看，尽管存在诸如不平坦或光滑的地形、无纹理和反射场景以及动态相机遮挡等挑战，但能够准确地估计机器人的状态是至关重要的。我们的动机是减少对脚接触分类的依赖，这在滑动时会失败，并减少动态运动（如小跑）期间的位置漂移。为此，我们提出了一种用于状态估计的因子图优化方法，该方法将惯性导航、腿部里程计和视觉里程计紧密地融合在一起并使之平滑。使用ANYmal四足机器人导航在一个现实的室外工业环境中的方法的有效性得到了证明。这个实验包括小跑，步行，穿越障碍物和爬楼梯。该方法降低了高达55%的相对位置误差和76%的绝对位置误差相比，运动惯性里程计。
2019-08-12 cs.RO
ATRos: Learning Energy-Efficient Agile Locomotion for Wheeled-legged Robots
Shanghai Huawei Technologies Co., Ltd.（上海华为技术有限公司）；College of Future Information Technology, Fudan University（复旦大学未来信息科技学院）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；School of Aeronautic and Astronautics, Zhejiang University（浙江大学航空宇航学院）；School of Electronics and Communication Engineering, Sun Yat-sen University（中山大学电子与通信工程学院）
本文提出ATRos，一种基于强化学习的轮腿机器人混合运动框架，通过预测策略网络与演员-评论家网络协调轮腿同步运动，在无需预定义步态的情况下提升了地形适应性与能效，并在仿真和真实多地形实验中验证了其稳健的泛化能力。
2025-10-11 cs.RO
Whleaper: A 10-DOF Flexible Bipedal Wheeled Robot
Whleaper是一种具有10自由度的双足轮式机器人，通过增加髋部自由度提升稳定性与灵活性，实现复杂地形中的稳定运动和障碍避让能力。
2026-03-12 cs.RO
Proprioception and reaction for walking among entanglements
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carnegie Mellon University（卡内基梅隆大学）
本文提出一种针对腿式机器人腿部缠绕的本体感知方法和在摆动相解开腿部的反应策略，使机器人能穿越多种刚度和几何形状的缠绕物，在实验室16次试验中成功14次并适用于户外环境。
2023-09-10 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
OCELOT: Odometry and Contact Estimation for Legged Robots
Department of Aerospace Engineering, Embry-Riddle Aeronautical University（航空航天工程系，埃默里-瑞德航空航天大学）
本文提出了一种基于误差状态扩展卡尔曼滤波器（ESEKF）的完整腿部里程计管道，通过仅使用本体感觉数据（如固定IMU、关节编码器和力传感器）来实现准确的里程计估计，核心贡献是融合接触检测和不确定性量化模块，用于显式识别并拒绝滑动。
2026-05-21 cs.RO
PTRL: Prior Transfer Deep Reinforcement Learning for Legged Robots Locomotion
本文提出PTRL框架，通过PPO预训练、策略迁移和部分网络冻结微调，显著提升腿足机器人强化学习的训练效率与跨机器人泛化能力。
2025-04-08 cs.RO
Bipedal walking with continuously compliant robotic legs
University of Stuttgart（斯图加特大学）；Institute for Nonlinear Mechanics（非线性力学研究所）
本文提出用连续柔顺材料替代传统刚性部件和SEA，设计双足机器人柔顺腿部，通过近似建模和多层控制策略，实现了成功的双足行走。
2024-11-11 cs.RO
Evolutionary Gait Transfer of Multi-Legged Robots in Complex Terrains
Xiamen University（厦门大学）；City University of Hong Kong（香港城市大学）
机器人步态优化是指在各种内外约束条件下生成一条最优控制轨迹的任务。由于控制空间的维数很高，对于在复杂未知环境中行走的多足式机器人来说，这个问题尤其具有挑战性。现有文献往往将机器人的步态生成视为一个优化问题，针对机器人在特定环境下的行走，从零开始进行步态优化。然而，这样的方法不考虑使用预先获得的知识，这可能是有用的，在复杂的环境中提高运动生成的质量和速度。为了解决这个问题，本文提出了一个基于迁移学习的进化框架多目标步态优化，命名为Tr-GO。其思想是通过使用迁移学习技术初始化高质量的种群，因此任何类型的基于种群的优化算法都可以无缝集成到这个框架中。其优点在于，生成的步态不仅可以动态地适应不同的环境和任务，而且可以同时满足多个设计规范（例如，速度、稳定性）。实验结果表明，所提出的框架的有效性步态优化问题的基础上的三个多目标进化算法：NSGA-Ⅱ，RM-MEDA和MOPSO。当将预先获得的知识从平原地形转移到各种倾斜和崎岖的地形时，与非转移场景相比，所提出的Tr-GO框架至少加速了3-4倍的进化过程。
2020-12-24 cs.NE cs.RO
HEAP -- The autonomous walking excavator
ETH Zurich（苏黎世联邦理工学院）；Moog Industrial Group GmbH（穆格工业集团有限公司）
建筑行业对自动化的需求和潜力是无与伦比的，特别是在提高环境可持续性、改善工人安全和减少劳动力短缺方面。我们开发了一种自动行走挖掘机-基于建筑工地上最多功能的机器之一-作为开始实现这一潜力的一种方式。本文描述了将现成的建筑机械转换为自主机器人系统的过程。首先，我们概述了必要的传感设备的完全自治和新颖的驱动的腿，并比较三种不同的互补驱动原则的挖掘机的arm. Second，我们解决了一般轮式足式机器人的状态估计问题。除了动态测量外，它还包括GNSS-RTK，以绝对参考建筑工地上的机器。第三，我们开发了用于驾驶、底盘平衡和手臂运动的独立控制器，实现了完全自主的操作。最后，我们强调了机器在四个不同的现实应用中的潜力，例如自主挖沟，自主组装干石墙，自主林业工作和半自主远程操作。最后，我们还分享了一些发展见解和未来可能的研究方向。
2021-06-09 cs.RO
Evolving a Behavioral Repertoire for a Walking Robot
Sorbonne Universités, UPMC Univ Paris 06（索邦大学，巴黎第六大学（UPMC））；CNRS（法国国家科学研究中心）
已经提出了许多算法来允许足式机器人学习行走。然而，这些算法中的绝大多数都是为了学习直线行走而设计的，这不足以完成任何现实世界的任务。在这里，我们介绍了基于可转移性的行为库进化算法（TBR-Evolution），一种新的进化算法，同时发现了数百个简单的行走控制器，每个可能的方向。通过利用通常被进化过程丢弃的解决方案，TBR-Evolution比独立进化每个控制器要快得多。我们的技术依赖于两种方法：（1）带有本地竞争的新颖性搜索，它搜索高性能和多样化的解决方案，以及（2）可移植性方法，它结合模拟和真实测试来进化物理机器人的控制器。我们评估这种新技术的六足机器人。结果表明，只有几十个简短的实验上进行的机器人，该算法学习的控制器，允许机器人到达其可达空间中的每一个点的剧目。总的来说，TBR-Evolution开启了一种新的学习算法，可以同时优化机器人所有可实现的行为。
2014-12-15 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
GainAdaptor: Learning Quadrupedal Locomotion with Dual Actors for Adaptable and Energy-Efficient Walking on Various Terrains
Seoul National University of Science and Technology（首尔科学技术大学）
针对传统DRL足式机器人位置控制中PD增益人工调试限制适应性与效率的问题，提出带双智能体的GainAdaptor框架，可动态自适应调节PD增益，在Unitree Go1机器人上验证了多地形下的运动性能与能效提升。
2024-12-12 cs.LG 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
PANOS: Payload-Aware Navigation in Offroad Scenarios
University at Buffalo（布法罗大学）；Moog Inc.（穆格公司）
提出弱监督方法PANOS，集成本体感知与外部感知，使腿式机器人在复杂地形和不同有效载荷下实现稳定步态，显著提升稳定性并降低振动成本。
2024-09-25 cs.RO
Personalised 3D Human Digital Twin with Soft-Body Feet for Walking Simulation
School of Mechanical and Aerospace Engineering, Nanyang Technological University（南洋理工大学机械与航空航天工程学院）；Rehabilitation Research Institute of Singapore (RRIS)（新加坡康复研究院）
本文提出将基于真实运动捕捉数据生成的个性化软体足部集成到骨骼模型中，并用行走控制策略训练，实现了地面反作用力和关节角度均接近真实数据的动态精确人体数字孪生。
2024-11-22 cs.RO
Coupling Vision and Proprioception for Navigation of Legged Robots
Carnegie Mellon University（卡内基梅隆大学）；UC Berkeley（加州大学伯克利分校）
我们利用视觉和本体感觉的互补优势，开发了一个点目标导航系统的足式机器人，称为VP-Nav。腿系统能够穿越更复杂的地形比轮式机器人，但要充分利用这一能力，我们需要一个高层次的路径规划的导航系统要知道的步行能力的低层次的运动策略在不同的环境。我们通过使用本体感受反馈来实现这一目标，通过感知玻璃墙等意外障碍物，地面的光滑度或柔软度等地形属性以及视觉可能错过的额外有效载荷等机器人属性来确保计划路径的安全性。导航系统使用车载摄像机来生成占用地图和相应的成本地图以到达目标。然后，快速行进规划器生成目标路径，速度命令生成器将其作为输入来生成步行策略所需的速度。安全顾问模块将感测到的意外障碍物添加到占用地图，并将环境确定的速度限制添加到速度命令生成器。我们表现出优越的性能相比，轮式机器人基线，消融研究，有不相交的高层次的规划和低层次的控制。我们还展示了真实世界的部署VP-Nav的四足机器人与板载传感器和计算。视频https://navigation-locomotion.github.io
2022-07-24 cs.AI cs.CV cs.LG
Simultaneous State Estimation and Contact Detection for Legged Robots by Multiple-Model Kalman Filtering
Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室）
针对腿足机器人接触与状态相互影响的问题，提出基于交互式多模型 Kalman 滤波的切换系统方法，在估计状态时同步识别足端接触模式，并通过 Gazebo 仿真和 Unitree A1 实验验证其优于基线估计器。
2024-04-04 cs.RO cs.SY eess.SY
Feasible Wrench Set Computation for Legged Robots
University of Twente（特温特大学）
在运动过程中，足式机器人通过顺序地建立和断开接触与地面相互作用。由接触产生的交互扳手用于操纵机器人质心（CoM），并拒绝使系统偏离期望轨迹并经常使它们掉落的扰动。给定控制目标（所需的CoM扳手或加速度）的可行性取决于接触点分布、地面摩擦力和致动极限。在这项工作中，我们开发了一种方法来计算一组可行的扳手，足式机器人可以施加在其CoM通过接触。所提出的方法可以用于任何数量的非共面接触，并考虑到驱动限制和库仑摩擦的非弹性接触模型的基础上的限制。这是用一个平面的站立模型与脚在不同的高度举例说明。利用接触模型的假设，我们解释了如何计算一组扳手，是可行的CoM时，接触保持在适当的位置，以及那些是可行的，当一些接触被打破。因此，该方法可以用来评估在实现给定控制任务的同时，接触配置的开关是否可行。此外，该方法可以用于识别系统未被致动的方向（即，扳手不能在这些方向上施加）。我们展示了如何有一个关节被致动或被动可以改变非致动扳手方向的机器人在给定的姿势使用的空间模型的下肢外骨骼。因此，该方法也是系统设计阶段的有用工具。这项工作提出了一个有用的工具，用于腿系统的控制和设计，扩展到目前的最先进的。
2022-10-14 cs.RO
Reinforcement Learning for Reduced-order Models of Legged Robots
University of Pennsylvania（宾夕法尼亚大学）
本研究提出基于模型的强化学习方法，在模型预测控制中学习降阶模型，以弥合基于模型与无模型方法在双足机器人中的差距，实现可行任务区域提升49%和扭矩成本降低21%。
2023-10-15 cs.RO
Control- & Task-Aware Optimal Design of Actuation System for Legged Robots using Binary Integer Linear Programming
针对足式机器人高性能驱动系统设计难题，提出一种结合二进制整数线性规划的控制与任务感知设计框架，可通过优化组件选型与结构配置，在满足任务需求的同时提升驱动系统性能，并经双足机器人实验验证了有效性。
2023-07-21 cs.RO
Foot Shape-Dependent Resistive Force Model for Bipedal Walkers on Granular Terrains
Rutgers University（罗格斯大学）；Zhejiang University（浙江大学）
针对足式机器人在颗粒地形上运动困难的问题，提出引入有效侵入深度修正、考虑足形等因素的双足步行机器人阻力模型，经实验验证准确性，可集成至运动控制。
2024-03-06 cs.RO
SafeSteps: Learning Safer Footstep Planning Policies for Legged Robots via Model-Based Priors
Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）
提出一种四足机器人落足点规划策略，通过学习地形安全信息并采用掩码PPO算法，显著减少安全违规，提升性能与样本效率。
2025-01-29 cs.RO
Real-time Digital Double Framework to Predict Collapsible Terrains for Legged Robots
National University of Singapore (NUS)（新加坡国立大学）；Institute for Infocomm Research (I 2 R)（信息通信研究所）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）
提出一种实时数字替身框架，通过同步真实机器人与仿真模型提取多物理量差异，结合学习算法在动态行走中估计软质地形可塌陷性，实现跨场景泛化与真实世界可靠检测。
2025-08-14 cs.RO
Keep Rollin' - Whole-Body Motion Control and Planning for Wheeled Quadrupedal Robots
ETH Zürich（苏黎世联邦理工学院）
我们展示了轮式四足机器人的动态运动策略，它结合了步行和驾驶的优点。所开发的优化框架紧密集成了由车轮引入的额外自由度。我们的方法依赖于基于零矩点的运动优化，不断更新参考轨迹。参考运动由一个分层的全身控制器来跟踪，该控制器通过求解包括非完整滚动约束在内的一系列优先任务来计算最佳广义加速度和接触力。我们的方法已经在ANYmal上进行了测试，ANYmal是一种四足机器人，它是完全扭矩控制的，包括连接到腿上的非转向轮。我们在平坦和倾斜的地形以及台阶上进行了实验，由此我们表明，将车轮集成到运动控制和规划框架中会产生直观的运动轨迹，与其他轮式足式机器人相比，这使得运动更加稳健和动态。此外，以4 m/s的速度和降低83%的运输成本，我们证明了轮式足式机器人与腿式机器人相比的优越性。
2019-02-07 cs.RO
Allometric Scaling Laws for Bipedal Robots
Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文研究双足机器人腿部长度与质量、速度等参数的等比关系，发现机器人质量与腿部长度平方成正比，与生物等比定律不同。
2026-09-22 cs.RO
A receding-horizon multi-contact motion planner for legged robots in challenging environments
Manchester Centre for Robotics and AI（机器人与人工智能中心）；University of Manchester（曼彻斯特大学）
本文提出了一种新型回溯地平线多接触运动规划器，用于在挑战性环境中为腿足机器人规划运动，提升了规划效率和质量。
2026-02-11 cs.RO
KING: Embodiment-Aware Kinematic Graph Neural Network for Unified Motion Representation of Legged and Wheeled Robots
the National Institute of Advanced Industrial Science and Technology（国立先进工业科学技术研究院）
本文针对现有运动模型对新机器人具身泛化能力差的问题，提出基于GNN的KING模型，实现轮式与腿式机器人的统一运动表示，仅需少量数据即可适配新具身并实现高精度里程计估计。
2026-08-04 cs.AI cs.RO
Nonvisual Classification of Ground-Condition by Artificial Proprioception in an Amoeba-Inspired Autonomous Walking Robot
该研究为变形虫启发的自主步行机器人，整合传感器与储备池计算实现人工本体感觉，完成地面状况非视觉分类，可依地面切换步态并分析传感器贡献。
2026-08-07 cs.AI cs.LG cs.RO
COVID-Robot: Monitoring Social Distancing Constraints in Crowded Scenarios
保持人与人之间的社交距离规范已成为减缓COVID-19传播的不可或缺的预防措施。我们提出了一种新的方法来自动检测在拥挤的场景中没有遵守社交距离约束的人对，即他们之间大约6英尺的空间。我们的方法不对人群密度或行人步行方向做任何假设。我们使用带有商品传感器的移动机器人，即RGB-D相机和2-D激光雷达，在人群中执行无碰撞导航，并估计相机视野中所有检测到的个体之间的距离。此外，我们还为机器人配备了一个热成像摄像头，可以将热图像无线传输给安全/医疗保健人员，他们可以监控是否有任何人表现出高于正常温度。在室内场景中，我们的移动机器人还可以与静态安装的闭路电视摄像机相结合，以进一步提高检测到的社交距离违规数量，准确地追求步行行人等方面的性能。我们强调了我们的方法在不同静态和动态室内场景中的性能优势。
2020-08-21 cs.RO
Walking with Terrain Reconstruction: Learning to Traverse Risky Sparse Footholds
Institute of Cyber-Systems and Control, Zhejiang University（浙江大学控制与网络系统研究所）；State Key Laboratory of Industrial Control Technology（工业控制技术国家重点实验室）
本文提出一种基于局部地形重建的端到端强化学习框架，仅利用本体感受和深度图像使四足机器人能够穿越高稀疏性和随机性的危险地形，并在真实场景中实现了敏捷自适应运动。
2025-03-03 cs.RO
Walking Posture Adaptation for Legged Robot Navigation in Confined Spaces
ETH Zürich（苏黎世联邦理工学院）；CSIRO（澳大利亚联邦科学与工业研究组织）
足式机器人由于其高自由度而具有适应其行走姿态以在受限空间中导航的能力。然而，这在大多数常见的多腿平台中还没有被利用。本文提出了一种可变形的限界框抽象的机器人模型，伴随着映射和规划策略，使一个足式机器人自主改变其身体形状，以浏览有限的空间。该映射是使用机器人为中心的多海拔地图与机器人携带的距离传感器生成的。路径规划基于轨迹优化算法CHOMP，该算法在避开障碍物的同时创建平滑的轨迹。所提出的方法已在仿真和六足机器人韦弗，这是33厘米高，82厘米宽正常行走时，实施测试。我们演示了在25厘米的悬垂障碍物下导航，通过70厘米宽的间隙和超过22厘米高的障碍物，在人工测试空间和现实环境中，包括地下采矿隧道。
2019-01-31 cs.RO
The Effect of Tail Stiffness on a Sprawling Quadruped Locomotion
University of Galway（高威大学）；University of Notre Dame（圣母大学）
本研究通过在欠驱动匍匐式四足机器人上添加由单个伺服电机控制刚度的多节段缆绳驱动柔性尾巴，证明了可变刚度尾巴相比刚性尾巴或无尾巴能显著提升机器人在崎岖地形上的稳定性和攀爬能力。
2023-04-09 cs.RO
Data Efficient Reinforcement Learning for Legged Robots
Robotics at Google（谷歌机器人部门）
我们提出了一个基于模型的框架，机器人运动，实现步行的基础上，只有4.5分钟（45,000控制步骤）的数据收集的四足机器人。为了准确地模拟机器人的动态在一个很长的时间范围内，我们引入了一个损失函数，跟踪模型的预测在多个时间步。我们采用模型预测控制来考虑规划延迟，这使得学习的模型可以用于实时的控制。此外，为了确保模型学习期间的安全探索，我们将腿部轨迹的先验知识嵌入到动作空间中。由此产生的系统实现快速和鲁棒的运动。与针对特定任务进行优化的无模型方法不同，我们的规划器可以通过简单地改变奖励函数，将相同的学习动态用于各种任务。据我们所知，我们的方法比目前的无模型方法的样本效率高出一个数量级。
2019-10-06 cs.AI cs.LG cs.RO
