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
Design and control of a soft, shape-changing, crawling robot
Tufts University(塔夫茨大学)
软材料在动物运动和物体操纵中具有许多重要作用。在机器人应用中,软材料可以存储和释放能量,吸收冲击,增加顺应性,并使用最小的致动器增加可能的形状轮廓的范围。形状改变能力也是操纵由与环境接触引起的摩擦力的潜在工具。这些优点伴随着软材料致动的挑战以及利用摩擦相互作用来产生运动的需要。因此,软体机器人的设计涉及利用软材料的连续特性来操纵导致机器人运动的摩擦相互作用。本研究提出软体机器人的设计与控制,利用其形状变化的运动能力。仿生(履带式)模块化机器人设计是一个柔软的整体,在离散的接触点(履带式prolegs)与环境相互作用。可变形体由肌肉状形状记忆合金线圈致动,并且离散的接触点以二元方式操纵摩擦。这种新型的虚拟抓持机制结合了两种不同摩擦系数的材料(粘滑)来控制机器人与环境的摩擦相互作用。该研究还引入了一种新的控制概念,将机器人-环境-摩擦相互作用离散为二进制状态。这有助于制定一个控制框架,是独立于特定的致动器或软材料的属性,并可以应用于多肢软体机器人。为各个机器人状态之间的转换分配奖励,该奖励允许计算优化的状态转换控制序列。这个概念框架是非常通用的,我们展示了它如何可以应用于机器人失去肢体功能的情况。
2015-09-24 cs.RO
Grip as Needed, Glide on Demand: Ultrasonic Lubrication for Robotic Locomotion
Department of BioMechanical Engineering, Delft University of Technology (TU Delft)(代尔夫特理工大学生物力学工程系);Department of Cognitive Robotics, Delft University of Technology (TU Delft)(代尔夫特理工大学认知机器人学系)
本文提出超声波润滑作为主动摩擦控制方法,通过共振结构实现接触界面的抓握与滑动状态切换,提升机器人运动效率和适应性。
2026-03-28 cs.RO physics.app-ph
An Earthworm-Inspired Soft Crawling Robot Controlled by Friction
University of Southern California(南加州大学)
我们提出的建模,设计,制造和反馈控制的蚯蚓启发的软体机器人能够通过主动操纵其身体和表面之间的摩擦力在表面上爬行。蚯蚓是一种分节的蠕虫,由称为异节的重复单位组成。肌肉和刚毛结构嵌入在每个个体的体节,使其蠕动运动在地下和地上。在这里,我们提出了一个由类似于肌肉和刚毛结构的部件制成的机械驱动的软机器人系统,并且可以复制单个棘突的爬行运动。还介绍了一个模型来描述所提出的机器人系统的爬行动力学,并证明是可控的。鲁棒爬行运动,然后实验验证。
2017-10-18 cs.RO
Impact Mitigation for Dynamic Legged Robots with Steel Wire Transmission Using Nonlinear Active Compliance Control
Space Control and Inertial Technology Research Center(空间控制与惯性技术研究中心);Harbin Institute of Technology(哈尔滨工业大学)
缓冲冲击对于足式机器人的稳定运动是至关重要的,特别是在高速动态运动中。针对基于钢丝绳传动的足式机器人,提出了一种包含非线性主动柔顺控制和主动阻抗控制的腿运动系统。所开发的控制系统能够实现高速动态运动,具有出色的冲击缓解和腿部位置跟踪性能,其中应用了三种策略。a)根据电机腿的线性模型,结合库仑摩擦和粘性摩擦信息,设计前馈控制器。b)基于钢丝传输模型的补偿保证了理想的虚拟弹簧柔度特性。c)非线性主动柔顺控制和主动阻抗控制确保比线性方案更好的冲击缓解性能,并保证位置跟踪性能。该控制系统在SCIT Dog机器人上进行了实验验证,实验结果表明,该系统在不使用被动弹簧机构的情况下,具有理想的高速动态运动冲击减缓能力。
2021-08-03 cs.RO
ValueNetQP: Learned one-step optimal control for legged locomotion
最优控制是产生复杂机器人运动的一种成功方法,特别是对于腿式运动。然而,这些技术对于模型预测控制来说通常太慢而不能实时的运行,或者需要极大地简化动态模型。在这项工作中,我们提出了一种方法来学习预测的梯度和hessian的问题价值函数,使预测控制问题的快速解决方案与一步二次规划。此外,我们的方法是能够满足约束,如摩擦锥和单边约束,这是重要的高动态运动任务。我们证明了我们的方法在模拟和一个真正的四足机器人执行小跑和有界运动的能力。
2022-01-11 cs.RO
The Problem of Adhesion Methods and Locomotion Mechanism Development for Wall-Climbing Robots
Bauman Moscow State Technical University(鲍曼莫斯科国立技术大学)
本综述梳理了壁面攀爬机器人的各类粘附方法与移动机构的演进,按应用、粘附方式和移动原理对其分类,分析了不同方案在移动性、静音性等方面的优劣,探讨了粘附与移动方法结合的可能性。
2019-05-22 cs.RO
Diaphragm Ankle Actuation for Efficient Series Elastic Legged Robot Hopping
University of Trento(特伦托大学);Scuola Superiore Sant’Anna(圣安娜高等学校);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
机器人需要轻巧的腿敏捷的运动,和内在的系列弹性顺应性已被证明是一个主要成分的节能运动和鲁棒的运动控制。动物的解剖学和运动能力强调了轻质腿和用于远端腿关节的集成、紧凑、系列弹性致动的重要性。但与机器人不同的是,动物通过肌肉肌腱单元实现了一系列的弹性驱动。到目前为止,还没有一种设计具有完美的远端腿运动致动器的所有特征;低重量和低惯性设计,具有高机械效率,无粘着和滑动摩擦,低机械复杂性,高功率输出,同时易于安装。理想地,这种致动器可以被直接控制,而没有机械交叉耦合,例如远程控制。考虑到这一目标,我们提出了一个低摩擦,轻型系列弹性隔膜远端致动器(SELDA),满足许多,但不是全部,上述要求。我们开发,实施和表征的仿生机器人腿,具有SELDA驱动的脚段。我们比较了两个腿配置控制的中央模式发生器,都具有敏捷向前跳跃。通过调整SELDA的激活时机,我们有效地调整了机器人的跳跃高度的11%,其前进速度的14%,即使相对较低的功率注入到远端关节。
2022-03-04 cs.RO
Online Optimization of Central Pattern Generators for Quadruped Locomotion
Ecole Polytechnique Federale de Lausanne (EPFL)(洛桑联邦理工学院)
本文提出基于贝叶斯优化的CPG参数在线优化框架,使四足机器人能在3分钟内快速适应速度指令、摩擦系数、坡度及负载变化,并通过力反馈与虚拟模型控制提升稳定性和能效。
2024-10-21 cs.RO
Locomotion Dynamics of an Underactuated Three-Link Robotic Vehicle
Technion – Israel Institute of Technology(以色列理工学院)
该研究提出改进的动态模型以准确描述欠驱动三连杆机器人车辆的运动,考虑轮子打滑和摩擦力的影响。
2026-01-21 cs.RO
Efficient bending and lifting patterns in snake locomotion
University of Michigan(密歇根大学)
我们优化三维蛇的运动效率。我们假设蛇脊椎的一般空间曲线表示,具有小到中度的离地升力和可忽略的身体惯性。运动的成本包括摩擦功和内部粘性耗散。当限制到平面运动学,我们的人口为基础的优化方法发现相同类型的最优作为以前的牛顿为基础的方法。有几种类型的最佳运动占主导地位。我们发现一个s形的身体与交替提升的中间和两端的小到中等的横向摩擦。对于大的横向摩擦,卷曲和滑动运动是典型的小粘性耗散,取代大振幅弯曲大粘性耗散。小粘性耗散,我们发现局部最优解,类似于侧绕运动摩擦系数空间。他们总是次优交替升降运动,平均输入功率高10- 100%。
2022-05-09 cond-mat.soft cs.RO physics.bio-ph
Asymmetric Friction in Geometric Locomotion
Robotics program at Oregon State University(俄勒冈州立大学机器人项目);Department of Electrical Engineering and Computer Science at the University of Michigan(密歇根大学电气工程与计算机科学系)
本文提出将非对称摩擦引入几何运动模型,用Finsler度量替代Riemannian度量,并扩展子Riemannian方法为子Finsler方法,以表征系统运动能力。
2026-06-15 cs.RO math.DG
Set-Valued Rigid Body Dynamics for Simultaneous, Inelastic, Frictional Impacts
University of Pennsylvania(宾夕法尼亚大学)
针对近同时摩擦碰撞对顺序敏感而仿真器依赖启发式的问题,提出集值刚体动力学模型,将Routh模型扩展为微分包含并转化为LCP,以概率保证紧近似碰撞后速度集合。
2023-08-14 cs.RO
Robust RL Control for Bipedal Locomotion with Closed Kinematic Chains
Sber Robotics Center(斯伯银行机器人中心);Moscow Institute of Physics and Technology(莫斯科物理技术学院);Innopolis University(因诺波利斯大学);ITMO University(ITMO大学)
提出显式结合闭链动力学的RL框架,通过对称性感知损失、对抗训练和网络正则化增强策略鲁棒性,在TopA机器人上实现多地形稳定运动,显著优于简化模型方法。
2025-07-14 cs.RO
RL-augmented Adaptive Model Predictive Control for Bipedal Locomotion over Challenging Terrain
Georgia Institute of Technology(佐治亚理工学院);Northeastern University(东北大学)
针对复杂地形双足运动中MPC地形建模难、RL无约束保证的问题,提出RL增强型MPC框架,参数化MPC关键组件,仿真验证其适应性和鲁棒性优于基线MPC与RL。
2025-09-22 cs.RO
Theoretical Modeling and Bio-inspired Trajectory Optimization of A Multiple-locomotion Origami Robot
Zhejiang University(浙江大学);Robotics Institute of Zhejiang University(浙江大学机器人研究院)
针对软体机器人缺乏理论建模的问题,本文为折纸机器人的爬行和游泳运动建立动力学与运动学模型,并开发了规划类人游泳步态以获取最大推力的算法,仿真实验验证了其有效性。
2024-03-19 cs.RO
Inflatable Kirigami Crawlers
University of Southern Denmark(南丹麦大学)
本文提出充气式剪纸爬行器,通过在热封纺织品中引入切割图案实现周期性气动驱动下的运动,利用各向异性摩擦和分段设计实现多功能软机器人运动能力。
2025-06-05 cs.RO
Modeling multi-legged robot locomotion with slipping and its experimental validation
University of Michigan(密歇根大学);XPENG Robotics(小鹏机器人)
针对多足机器人滑动运动建模困难的问题,提出一种基于运动学特性和摩擦定律假设的算法,可准确预测六足机器人的足部接触力与机体速度,并实现对大量滑动腿运动计划的快速仿真。
2024-01-03 cs.RO
Design of an In-Pipe Robot with Contact-Angle-Guided Kinematic Decoupling for Crosstalk-Suppressed Locomotion
Robotics and Autonomous Systems Thrust, The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州)机器人与自主系统学域);Department of Engineering, Shinshu University(信州大学工学部);College of Information Science and Technology, Beijing University of Chemical Technology(北京化工大学信息科学与技术学院)
本文提出一种管内机器人,通过接触角引导的运动解耦机制,实现轴向牵引与滚动重新定向的独立驱动,有效抑制噪声干扰,实验验证了其在垂直管道中的稳定性和高效性。
2026-03-28 cs.RO
Locomotion of an Elastic Snake Robot via Natural Dynamics
German Aerospace Center (DLR), Robotics and Mechatronics Center (RMC)(德国航空航天中心(DLR)机器人与机电中心);Technical University of Munich (TUM), Department of Computer Engineering(慕尼黑技术大学(TUM)计算机工程系)
本文研究了利用非线性自然动力学设计高效步态的方法,比较了两种基于自然动力学的步态与现有方法,发现非制动周期轨迹步态在能量节约情况下更高效。
2026-04-20 cs.RO
On Terrain-Aware Locomotion for Legged Robots
Istituto Italiano di Tecnologia(意大利技术研究院);Università degli Studi di Genova(热那亚大学);Swiss Federal Institute of Technology at Lausanne(洛桑联邦理工学院);University of Texas(德克萨斯大学);University of Naples Federico II(那不勒斯费德里科二世大学)
为了实现动态全身运动的突破,足式机器人必须具有地形感知能力。地形感知运动(TAL)意味着机器人可以通过其传感器感知地形,并可以根据这些信息做出决策。本论文从本体感受和外感受两个角度介绍了TAL策略。这些策略在运动规划、控制和状态估计的层面上实现,并使用优化和学习技术。第一部分是关于全身控制(WBC)水平的TAL策略。我们引入了一个被动WBC(pWBC)框架,该框架允许机器人在考虑地形几何形状(倾斜度)和摩擦特性的同时稳定并在具有挑战性的地形上行走。pWBC依赖于刚性接触假设,这使得它只适用于坚硬的地形。因此,我们引入软地形适应和顺应性估计(STANCE),这是一个软地形适应算法,概括超出刚性地形。论文的第二部分重点讨论了基于视觉的TAL策略。我们提出了基于视觉的地形感知运动(ViTAL),这是一个在线规划策略,选择立足点的基础上的机器人的能力,和机器人的姿势,最大限度地提高了机器人成功地达到这些立足点的机会。ViTAL依赖于一组机器人技能,这些技能表征了机器人及其腿的能力。这些技能包括机器人评估地形几何形状的能力,避免腿部碰撞,并避免达到运动学极限。我们的策略是基于优化和学习方法,并验证了HyQ和HyQReal在仿真和实验。我们表明,在这些策略的帮助下,我们可以推动动态足式机器人更接近完全自主和地形感知。
2022-12-01 cs.RO
Achieving Precise and Reliable Locomotion with Differentiable Simulation-Based System Identification
Moscow Institute of Physics and Technology(莫斯科物理技术学院)
本文提出一种基于可微仿真MuJoCo-XLA的系统辨识框架,将其集成到强化学习训练中,仅用轨迹数据估计参数,显著改善双足运动轨迹跟踪。
2025-08-06 cs.RO
Learning Terrain-Specialized Policies for Adaptive Locomotion in Challenging Environments
University of São Paulo (USP)(圣保罗大学)
本文提出了一种分层强化学习框架,通过地形专用策略和课程学习提升复杂环境中的敏捷性和跟踪性能,实验显示在低摩擦和不连续地形上表现更优。
2025-11-03 cs.AI cs.RO
Model-free control framework for multi-limb soft robots
Tufts University(塔夫茨大学);Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
软体机器人的可变形性和连续性保证了其多功能性和适应性。然而,由于复杂的机器人结构、致动器力学和机器人与环境的相互作用,用于陆地运动的模块化多肢软体机器人的控制具有挑战性。传统上,软体机器人控制是通过使用精确的几何方程和有限元分析进行运动学建模来执行的。该研究提出了一种替代的、无模型的、数据驱动的、受强化学习启发的方法,用于控制多肢软材料机器人。这种控制方法可以概括为离散化、可视化、学习和优化四步过程。第一步涉及识别和随后的离散化的关键因素,占主导地位的机器人环境,反过来,机器人控制。图论被用来可视化离散状态之间的关系和转换。图形表示促进了周期性控制模式(简单循环)和运动步态的数学定义。对应于图的各个弧的奖励是机器人状态到状态转换的加权位移和方向变化。这些奖励是特定于运动表面的,并且是学习的。最后,控制模式的结果,从奖励依赖运动任务(如翻译)的成本函数的优化。优化问题是一个可使用标准求解器快速求解的非线性规划问题。该框架是通用的和独立的类型的致动器,软材料的属性或类型的摩擦机制,作为控制存在于机器人的任务空间。此外,框架的数据驱动性质通过重新学习奖励赋予框架对不同运动表面的适应性。
2015-09-19 cs.RO
SHOES: Sim-to-real Hardware-adaptation via On-policy Expansion of Skills for Legged Robots
Tokyo University of Agriculture and Technology(东京农工大学);The University of Tokyo(东京大学)
SHOES是适配四足机器人鞋履引发形态变化的样本高效框架,通过冻结仿真策略微调轻量调制模块,结合SafeBox采样器,在仿真和真实实验中均优于基线方法,实现高效硬件适配。
2026-10-14 cs.RO
HISSbot: Sidewinding with a Soft Snake Robot
Collaborative Robotics and Intelligent Systems (CoRIS) Institute, Oregon State University(俄勒冈州立大学协作机器人与智能系统(CoRIS)研究所);Bard College at Simon’s Rock(巴德学院西蒙洛克分校);Olin College of Engineering(奥林工程学院);Carnegie Mellon University(卡内基梅隆大学)
蛇形机器人的特点是能够利用有效的循环运动形式在小空间和松散地形中导航。软蛇机器人是这些机器人的一个子集,利用软,顺应性致动器产生运动。以前的工作软蛇机器人主要集中在平面步态,如波动。更有效的空间步态,如侧绕,是软蛇机器人尚未探索的步态。我们提出了一种新的方法来构建一个软蛇机器人能够侧绕,并介绍了螺旋充气软蛇机器人(HISSbot)。我们通过物理HISSbot验证了这种驱动,并展示了其在各种表面侧风的能力。我们的测试表明,通过低摩擦和颗粒介质的运动鲁棒性。
2023-03-28 cs.RO
Contact-Implicit Modeling and Simulation of a Snake Robot on Compliant and Granular Terrain
Electrical and Computer Engineering(电气与计算机工程)
本研究提出了一种统一的仿真框架,用于分析蛇形机器人在不同地形上的运动,结合接触隐式建模和颗粒物理模拟,以提高在复杂地形中的运动性能。
2025-12-04 cs.RO
A general locomotion control framework for multi-legged locomotors
Georgia Institute of Technology(佐治亚理工学院);Emory University(埃默里大学);National University of Singapore(新加坡国立大学);Carnegie Mellon University(卡内基梅隆大学);Morehouse College(莫尔豪斯学院);Pennsylvania State University(宾夕法尼亚州立大学);Rancho Research Institute(兰乔研究所);Royal Veterinary College(皇家兽医学院);University of Oviedo(奥维耶多大学)
串联机器人是在有限空间中执行任务的有希望的候选人,例如在大规模灾难中的搜索和救援。这样的机器人通常是无肢的,我们假设增加肢体可以提高移动性。然而,在设计和控制这样的设备中的挑战在于以提高移动性的方式协调高维冗余模块。在这里,我们开发了一个通用的框架来控制串联多足式机器人。具体来说,我们结合两种方法来建立一个通用的形状控制方案,可以提供基线模式的自变形(“步态”),有效的运动在不同的机器人形态。首先,我们从降维和生物步态分类方案中获得灵感,以生成身体变形和脚抬起/放下的循环模式,这有助于生成任意基板接触模式。其次,我们使用几何力学的方法,以便于识别这些波动的最佳定相,以最大限度地提高速度和/或稳定性。我们的计划允许发展有效的步态在多足式机器人步行在平坦的摩擦地形与不同数量的肢体(4,6,16,甚至0肢体)和身体的驱动能力(包括侧绕步态无肢设备)。通过适当地协调身体的波动和腿的放置,我们的框架结合了无肢机器人(模块化)和足式机器人(流动性)的优点。我们希望我们的框架可以提供通用的控制方案,为一般的多腿机器人足式机器人的快速部署,铺平了道路,机器,可以在现实生活中的条件下穿越复杂的环境。
2022-02-03 cs.RO
Automatic Snake Gait Generation Using Model Predictive Control
Columbia University(哥伦比亚大学)
在本文中,我们提出了一种方法来产生波动步态的蛇形机器人。而不是从一个预定义的运动模式,如蛇形曲线开始,我们使用模型预测控制的方法来自动生成有效的运动步态通过轨迹优化。这种方法的一个重要优点是,所产生的步态自动适应环境,被建模为蛇的动力学的一部分。为了说明这一点,我们使用一种新的模型各向异性干摩擦,以及现有的模型粘性摩擦和流体动力学效应,如阻力和附加质量。对于这些模型中的每一个,在方法或其参数没有任何变化的情况下生成的步态与针对每个环境单独调整的帕累托最优蛇形步态一样有效。此外,所提出的方法还可以产生更复杂或不规则的步态,例如用于避障或执行急转弯。
2020-10-16 cs.RO
Sim-to-Real Transfer for Biped Locomotion
Georgia Institute of Technology(佐治亚理工学院)
我们提出了一种新的方法,用于转移动态机器人控制策略,如从模拟到真实的硬件。我们的方法的关键是在两个不同的阶段,在策略学习之前(pre-sysID)和策略学习之后(post-sysID),对硬件的模型参数μ(例如摩擦力,质心)进行系统识别。Pre-sysID首先根据一组通用运动序列从物理硬件收集轨迹。由于轨迹可能与感兴趣的任务无关,presysID并不试图准确地识别μ的真实值,而只是近似μ的范围来指导策略学习。接下来,通过同时训练将μ投影到低维潜在变量η的网络和以η为条件的策略族来创建投影通用策略(PUP)。第二轮系统辨识(post-sysID)然后通过使用任务相关轨迹在机器人硬件上部署PUP来执行。我们使用贝叶斯优化来确定优化PUP在真实硬件上的性能的η值。我们已经使用这种方法在Darwin OP2机器人上创建了三个成功的移动控制器(向前走,向后走,侧身走)。
2019-08-25 cs.LG cs.RO
Steering Elongate Multi-legged Robots By Modulating Body Undulation Waves
Ground Control Robotics LLC(地面控制机器人有限公司);School of Physics, Georgia Institute of Technology(物理系,佐治亚理工学院)
本文受蜈蚣运动启发,将细长多足机器人建模为高摩擦环境中的陆地游泳者,通过叠加身体横向波动波实现转向控制,并在物理模型和Major Tom机器人上验证了平面运动与闭环控制框架。
2025-06-02 cs.RO
Stable Walking for Bipedal Locomotion under Foot-Slip via Virtual Nonholonomic Constraints
Centre for Automation and Robotics (CSIC-UPM)(自动化与机器人中心(CSIC-UPM));Comillas Pontifical University(科米利亚斯主教大学);IE University(IE大学);University of Michigan(密歇根大学)
本文提出一种控制框架,通过虚拟非holonomic约束将足滑纳入运动模型,以实现双足运动在足滑条件下的稳定性,采用混合动力系统和非线性反馈律生成滑动兼容的混合零动力流形。
2026-09-15 cs.RO cs.SY eess.SY
Quadrupedal Locomotion Control On Inclined Surfaces Using Collocation Method
Northeastern University(东北大学);California Institute of Technology(加州理工学院)
受石鸡翅膀辅助斜坡奔跑启发,本研究为Husky Carbon四足机器人提出基于配点法的控制方法,结合推进器与降阶动力学模型HROM的多项式近似,实现不违反摩擦锥条件的45度陡坡行走。
2023-12-14 cs.RO cs.SY eess.SY
MARG: MAstering Risky Gap Terrains for Legged Robots with Elevation Mapping
Adaptive Robotic Controls Lab (ArcLab)(适应性机器人控制实验室);Department of Mechanical Engineering(机械工程系);The University of Hong Kong(香港大学)
针对四足机器人穿越危险间隙地形时盲走不安全、感知系统部署复杂的问题,本文提出融合地形图与本体感知的 DRL 控制器 MARG,并通过 TMG 模型实现单 LiDAR 准确建图与零样本迁移。
2025-09-27 cs.RO
Quadrupedal Locomotion via Event-Based Predictive Control and QP-Based Virtual Constraints
Virginia Tech(弗吉尼亚理工学院暨州立大学)
本文旨在开发一种分层的非线性控制算法,基于模型预测控制(MPC),二次规划(QP),和虚拟的约束,以产生和稳定的运动模式,以实时的方式为四足机器人的动力学模型。所提出的控制方案的更高层次的开发基于基于事件的MPC计算的最佳质心(COM)轨迹的降阶线性倒立摆(LIP)模型的净地面反作用力(GRF)的可行性。研究了基于事件的预测控制方法下降阶降阶模型期望目标点的渐近稳定性。结果表明,所提出的MPC方法的基于事件的性质,可以显着减少与MPC技术的实时实现的计算负担。为了缩小降阶模型和全阶模型之间的差距,基于QP的虚拟约束控制器在所提出的控制方案的较低层次上开发,以施加全阶动态跟踪最优轨迹,同时在摩擦锥中具有所有单独的GRF。本文的分析结果的全阶仿真模型的22自由度的四足机器人,视觉60,这是增强了机器人机械手的数值证实。本文数值研究所提出的控制算法对不同的接触模型的鲁棒性。
2020-04-15 cs.RO math.OC
Safety-Critical Coordination for Cooperative Legged Locomotion via Control Barrier Functions
California Institute of Technology(加州理工学院)
针对存在固定约束的协作足式机器人运动协调问题,提出基于控制屏障函数的三层安全关键控制架构,经仿真与四足机器人实验验证可保障安全协作与轨迹跟踪。
2023-12-14 cs.RO math.OC
Concurrent Training of a Control Policy and a State Estimator for Dynamic and Robust Legged Locomotion
在本文中,我们提出了一个运动训练框架,其中控制策略和状态估计器同时进行训练。该框架包括一个政策网络,输出所需的关节位置和状态估计网络,输出估计的机器人的状态,如基本线速度,脚的高度,和接触概率。我们利用一个快速的仿真环境对网络进行训练,并将训练好的网络移植到真实机器人上。经过训练的策略和状态估计器能够穿越不同的地形,例如山丘,滑板和颠簸的道路。我们还证明,学习的政策可以运行在正常的平地上的速度高达3.75米/秒和3.54米/秒的摩擦系数为0.22的滑板。
2022-03-02 cs.LG cs.RO cs.SY
Hierarchical Adaptive Loco-manipulation Control for Quadruped Robots
University of Southern California(南加州大学)
足式机器人在不平坦地形的导航中显示出显著的优势。然而,在四足机器人上实现有效的运动和操纵任务仍然具有挑战性。此外,对象和地形参数通常是未知的机器人在这些问题。因此,本文提出了一种分层自适应控制框架,使足式机器人执行本地操作任务,而无需任何给定的假设对象的质量,摩擦系数,或地形的坡度。在我们的方法中,我们首先提出了一个自适应操纵控制来调节接触力,以操纵未知地形上的未知物体。然后,我们介绍了一个统一的模型预测控制(MPC)的本地操作,考虑到我们的机器人动力学的操纵力。因此,建议MPC框架可以有效地调节机器人和物体之间的相互作用力,同时保持机器人的平衡。我们所提出的方法的实验验证成功地进行了Unitree A1机器人,允许它操纵一个未知的时变负载$7$ $kg$($60\%$的机器人的重量)。此外,我们的框架能够快速适应未知的斜率(高达$20^\circ$)或具有不同摩擦系数的不同表面。
2023-03-11 cs.RO
Multimodal Limbless Crawling Soft Robot with a Kirigami Skin
University of Southern Denmark(南丹麦大学);Drawstring Origami Ltd.(Drawstring Origami 有限公司)
本文提出一种覆盖剪纸表皮的充气软体无肢机器人,通过直线运动与不对称转向步态实现复杂地形导航,并结合接近传感器与人机界面实现避障,验证了其在搜索救援、环境监测和工业检测中的应用潜力。
2025-06-05 cs.RO
Modelling and Path Planning of Snake Robot in cluttered environment
Visvesvaraya National Institute of Technology(维斯瓦拉亚国家理工学院);Carnegie Mellon University(卡内基梅隆大学);Inbitorobotics(Inbitorobotics公司);Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所)
研究蛇类机器人在杂乱环境中的运动一直是一项复杂的任务,因为运动模型是不连续的,由于与障碍物的物理接触,接触力不能单独确定的接触位置。我们提出了一个独特的数学模型的机器人与障碍物的接触力映射的基础上的粘性摩擦模型。还介绍了一种运动规划策略,该策略有助于导出最简单的路径,以确保机器人与到达目标位置所需的障碍物的足够数量的接触。数值模拟和实验结果验证了理论方法。
2018-05-15 cs.RO
Proprioceptive External Torque Learning for Floating Base Robot and its Applications to Humanoid Locomotion
Seoul National University(首尔国立大学)
本文提出一种仅用本体感知传感器学习浮动基座机器人外部关节力矩的 GRU 网络方法,其估计误差小于动量观测器,可支持 ZMP 反馈实现稳定行走,并有望移除力矩传感器。
2023-09-08 cs.AI cs.RO
Computationally-Robust and Efficient Prioritized Whole-Body Controller with Contact Constraints
University of Texas at Austin(得克萨斯大学奥斯汀分校)
在本文中,我们设计的多目标控制方法的人形机器人,又名。优先级的全身控制器,在算法计算中实现效率和鲁棒性。我们使用一种全身控制器,通过结合质心动量动力学、操作任务优先级、接触反作用力和内力约束,这种控制器非常通用。首先,我们通过求解只涉及浮基动力学和反作用力的二次规划来实现效率。其次,我们实现计算的鲁棒性放松任务加速度,使他们遵守摩擦锥约束。最后,我们将平滑的接触过渡的方法,以提高动态运动行为的控制。所提出的方法都证明了在模拟和实际实验中使用被动踝关节双足机器人。
2018-07-03 cs.RO
Importance and methods to control, vary, and characterize mud strength for studying locomotion
Johns Hopkins University(约翰斯·霍普金斯大学)
本文针对水陆界面泥浆环境中动物与机器人运动研究的未知问题,开发了可控屈服强度泥浆的制备及表征方法,明确了泥浆相较于其他可流动基底更不利于运动的特性。
2026-09-02 cond-mat.soft cs.RO cs.SY
Passive Whole-body Control for Quadruped Robots: Experimental Validation over Challenging Terrain
Istituto Italiano di Tecnologia (IIT)(意大利理工学院);LAAS-CNRS(法国国家科学研究中心自动化系统实验室)
我们目前的实验结果使用被动全身控制的方法,实现动态运动的同时,顺应平衡机器人的躯干四足机器人。我们制定的运动跟踪作为一个二次规划(QP),考虑到完整的机器人刚体动力学,驱动限制,关节限制和接触的相互作用。我们分析了控制器的鲁棒性对不准确的摩擦系数估计和不稳定的立足点,以及它的能力,重新分配负载的结果,强制执行的驱动限制。此外,我们提出了实际的实施细节,从实际平台的经验。在90公斤重的液压驱动四足(HyQ)机器人上进行了广泛的实验测试,验证了该控制器在各种地形条件和步态下的能力。所提出的方法是优越的准确执行高动态运动相对于当前的最新技术水平。
2019-03-13 cs.RO
Understanding Legged Crawling for Soft-Robotics
Faculty of Mechanical Engineering, Technion – Israel Institute of Technology(以色列理工学院 机械工程学院)
爬行是软体机器人和非骨骼动物中常见的运动机制。在这项工作中,我们建议建模软机器人腿运动近似它与一个等效的关节式机器人与弹性关节。具体来说,我们研究我们的软机器人与两个弯曲执行器通过一个铰接的三连杆模型。具有粘滑接触过渡的超静定系统的求解需要一种新的混合拟静力分析方法。然后,我们利用我们的分析,研究相移谐波输入对爬行步态的性能的影响,包括摩擦不确定性和运输的能量成本的敏感性分析。我们实现了步态参数的最佳值。最后,我们制作并测试了一个流体驱动的软体机器人。实验结果与理论分析非常吻合,证明了我们的简单模型正确地捕捉和解释了尺蠖爬行的基本原理,并可应用于其他软机器人腿式机器人。
2019-11-17 cond-mat.soft cs.RO
Feedback MPC for Torque-Controlled Legged Robots
ETH Zurich(苏黎世联邦理工学院);Intel Labs(英特尔实验室)
移动机器人的计算能力目前不足以实现扭矩级全身模型预测控制(MPC)的更新速率所需的复杂动态系统,如足式机器人。这个问题通常通过使用快速跟踪控制器来补偿更新之间的模型误差来规避。在这项工作中,我们表明,从差分动态规划(DDP)为基础的MPC算法的反馈政策是一个可行的替代方案,以弥合低MPC更新率和致动命令率之间的差距。我们建议增加DDP方法与放松的障碍函数,以解决摩擦锥所产生的不等式约束。一个频率相关的成本函数被用来降低高频模型误差和致动器带宽限制的敏感性。我们证明,我们的方法可以找到稳定的运动策略的扭矩控制的四足动物,ANYmal,无论是在模拟和硬件上。
2019-08-09 cs.RO
Meta-Reinforcement Learning for Adaptive Motor Control in Changing Robot Dynamics and Environments
ENS Rennes(雷恩高等师范学院);the University of Edinburgh(爱丁堡大学)
这项工作开发了一种元学习方法,可以根据不同的变化条件动态调整控制策略,以实现鲁棒运动。该方法不断更新交互模型,对估计的状态-动作轨迹的可行动作序列进行采样,然后应用最优动作来最大化奖励。为了实现在线模型自适应,我们提出的方法学习每个训练条件的不同潜向量,这些潜向量是根据新收集的数据在线选择的。我们的工作设计了适当的状态空间和奖励函数,并优化可行的行动在MPC的方式,然后直接在关节空间采样考虑约束,因此不需要事先设计的具体步行步态。我们进一步证明了机器人的能力,检测意外的变化,在互动和适应控制策略迅速。在物理模拟中对SpotMicro机器人进行的广泛验证显示了在不同的地面摩擦力,外部推力和不同的机器人模型(包括硬件故障和变化)下的自适应和强大的运动技能。
2021-01-19 cs.AI cs.RO
Unsupervised Contact Learning for Humanoid Estimation and Control
Computational Learning and Motor Control Lab, University of Southern California(南加州大学计算学习与运动控制实验室);Autonomous Motion Department, Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所自主运动系);New York University(纽约大学)
这项工作提出了一种接触状态估计的方法,使用模糊聚类学习接触概率为全,六维人形接触。训练所需的数据仅来自本体感受传感器-末端效应器接触扳手传感器和惯性测量单元(IMU)-并且该方法完全无人监督。所得到的聚类方法被用来有效地计算接触的概率在六个endeffector自由度(DoF)独立。这种基于聚类的接触概率估计器在基于运动学的基本状态估计器中进行了验证,该估计器在模拟环境中具有逼真的增加的传感器噪声,用于在粗糙,低摩擦地形上的机器人受到脚滑动和旋转的运动。利用这六个DoF接触概率估计的拟议基本状态估计器的性能比纯粹基于测量的法向力确定运动接触约束的估计器要好得多。
2017-09-21 cs.RO
Adaptive Legged Locomotion via Online Learning for Model Predictive Control
Department of Aerospace Engineering, University of Michigan(密歇根大学航空航天工程系);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)
该研究提出了一种通过在线学习和模型预测控制实现自适应四肢运动的算法,能够处理未知负载和不规则地形下的复杂任务。
2025-11-30 cs.RO cs.SY eess.SY
Variable Horizon MPC with Swing Foot Dynamics for Bipedal Walking Control
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Amirkabir University of Technology(阿米尔卡比尔理工大学);Tandon School of Engineering, New York University(纽约大学坦登工程学院)
在本文中,我们提出了一种新的两级可变时域模型预测控制(VH-MPC)框架的双足运动。在这个框架中,更高级别计算落地位置和摆动脚的时间(水平长度),以稳定质心(CoM)动态的不稳定部分,使用来自CoM状态的反馈。较低级别考虑摆动脚动力学,并生成动态一致的轨迹,以便在期望的时间尽可能接近期望的位置着陆。要做到这一点,我们使用一个简化模型的机器人动力学预测摆动脚空间,考虑到关节扭矩的约束,以及摩擦锥的立场脚的约束。我们证明了我们提出的控制框架的有效性,通过实施强大的行走模式,我们的扭矩控制和开源的机器人,螺栓。我们报告广泛的模拟和真实的机器人实验中存在的各种干扰和不确定性。
2021-02-20 cs.RO
Terrain-Adaptive, ALIP-Based Bipedal Locomotion Controller via Model Predictive Control and Virtual Constraints
University of Michigan(密歇根大学)
提出了一种双足机器人步态控制器,在给定局部坡度和摩擦锥信息的情况下,实现在各种地形上的高度敏捷行走。如果没有这些考虑,不合时宜的冲击可能导致机器人绊倒,并且站立脚处的切向反作用力不足可能导致滑动。我们解决这些挑战相结合,以一种新的方式,一个模型的基础上的角动量线性倒立摆(ALIP)和模型预测控制(MPC)的脚放置规划,是由虚拟约束的方法执行。该过程从Cassie 3D双足机器人的完整动力学抽象开始,其质心动力学的精确低维表示,由角动量参数化。在分段平面地形假设和消除机器人质心的角动量项的条件下,接触点的质心动力学成为线性的,并具有4维。重要的是,我们包括在MPC制定的均匀间隔的步内动态,使现实的工作空间限制机器人的演变可以施加从一步到一步。低维MPC控制器的输出通过虚拟约束的方法直接在高维Cassie机器人上实现。在实验中,我们验证了我们的控制策略的机器人在各种不同的倾斜度和纹理的表面上的性能。
2022-07-28 cs.RO cs.SY eess.SY
Safety-Critical Coordination of Legged Robots via Layered Controllers and Forward Reachable Set based Control Barrier Functions
California Institute of Technology(加州理工学院)
本研究提出一种足式机器人安全关键协调方法,结合前向可达集高阶CBFs与三层分层控制器实现动态环境下的安全运动,经仿真与硬件实验验证有效。
2023-12-14 cs.RO
Dynamic Simulation-Guided Design of Tumbling Magnetic Microrobots
Stony Brook University(石溪大学);Purdue University(普渡大学)
小规模机器人的设计是一个基于试错的过程,这是昂贵和耗时的。有几个动态仿真工具,可准确地预测运动或性能的无绳微型机器人,因为他们在基板上移动。在较小的长度尺度下,与表面积成比例的粘附力和摩擦力的影响变得更加明显。因此,刚体动态模拟器,这隐含地假设,两个机构之间的接触可以被建模为点接触是不合适的。在本文中,我们提出的技术,用于模拟microrobots的运动,机器人和基板之间可以有间歇性和非点接触。我们使用这些技术来研究不同形状的翻滚微型机器人的运动,并选择最佳的形状,以提高运动性能。仿真结果进行了验证线速度,最大爬坡倾角,和微型机器人轨迹的实验数据。制造了具有改进的几何形状的微型机器人,但是制造过程中的限制导致了意外的制造误差和材料/尺寸尺度调整。所开发的仿真模型能够将这些限制,并模拟其对微型机器人的运动的影响,再现翻滚微型机器人的实验行为,进一步展示了具有这样的动态模型的有效性。
2020-10-05 cs.RO
PRISM: Polynomial Representations for Interaction-Structured Motor Control
University of Michigan(密歇根大学)
研究针对机器人观察中物理变量交互作用问题,提出PRISM策略表示,通过因式分解多项式模块展现高阶交互特征,在强化和模仿学习中应用,提升了人形机器人运动等性能,还能产生无传感器柔顺行为,表明多项式表示应成运动控制标准选择。
2026-10-19 cs.RO