Combining Learning-based Locomotion Policy with Model-based Manipulation for Legged Mobile Manipulators
ETH Zürich（苏黎世联邦理工学院）
深度强化学习为足式机器人在具有挑战性的地形上产生鲁棒的运动策略。迄今为止，很少有研究利用基于模型的方法将这些运动技能与机械手的精确控制相结合。在这里，我们将外部动力学计划纳入基于学习的移动操作策略。我们训练的基础政策，应用随机扳手序列的机器人基地在模拟和噪音扳手序列预测的政策意见。然后，策略学习抵消部分已知的未来扰动。随机扳手序列被替换为通过来自模型预测控制的动力学计划生成的扳手预测，以实现部署。我们显示zero-shot适应在训练过程中看不见的机械手。在硬件上，我们证明了稳定的足式机器人的运动与预测的外部扳手。
2022-01-11 cs.RO
On State Estimation for Legged Locomotion over Soft Terrain
Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）
对于足式机器人来说，在松软地面上的运动仍然是一个具有挑战性的问题。大多数关于足式机器人的状态估计的工作是针对刚性接触设计的，并且没有考虑地形的物理参数。也就是说，这封信回答了以下问题：软地形如何以及为什么会影响足式机器人的状态估计？为此，我们利用了一个状态估计器，融合IMU测量与腿部里程计，设计与刚性接触假设。我们通过HyQ机器人在松软和坚硬地形上小跑的实验验证了状态估计器。我们证明了软地形对足式机器人的状态估计有负面影响，并且与刚性地形相比，软地形的状态估计有明显的漂移。
2021-01-06 cs.RO
Dynamic Quadrupedal Legged and Aerial Locomotion via Structure Repurposing
Department of Electrical and Computer Engineering, Northeastern University（电气与计算机工程系，东北大学）；Department of Aerospace Engineering, California Institute of Technology（航空航天工程系，加州理工学院）
本文介绍东北大学Husky v.2四足机器人，通过结构复用将姿态操纵与推力矢量引入多模态运动，实现动态地面行走与空中悬停，解决了多模态运行间的需求冲突。
2025-10-10 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
A Foot Resistive Force Model for Legged Locomotion on Muddy Terrains
Department of Mechanical and Aerospace Engineering, Rutgers University（罗格斯大学机械与航空航天工程系）；Department of Electrical and Biomedical Engineering, University of Nevada（内华达大学电气与生物医学工程系）
本文提出了一种用于腿部机器人在泥泞地形中运动的阻力模型，通过模拟泥浆的粘弹性、触变性和吸力特性，设计了可变形机械脚，提高了运动效率和能效。
2026-04-13 cs.RO
Mind the Phase: Effective Rank and Representation Health in Legged Locomotion
University of São Paulo（圣保罗大学）
本研究通过策略雅可比矩阵的有效秩，按步态相位分析腿式运动策略的表示健康，发现层归一化和残差连接为摆动相分配更多秩维度，并提出简单方法实现约3倍更低的关节抖动，改善模拟到现实的迁移。
2026-10-19 cs.AI cs.RO
Learning-based legged locomotion; state of the art and future perspectives
本文回顾了基于学习的腿足运动发展历程，总结了四足机器人运动技能学习方法，并展望了人形机器人双足运动方法的兴起及未来挑战。
2024-11-22 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
DRS-LIP: Linear Inverted Pendulum Model for Legged Locomotion on Dynamic Rigid Surfaces
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；NVIDIA Research（英伟达研究）；Princeton University（普林斯顿大学）；Department of Mechanical Engineering, University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校机械工程系）
足式机器人在动态刚性表面上的运动（即，在惯性系中运动的刚性表面）涉及高维、非线性和时变的复杂全阶动力学。为了得到一个易于分析的动力学模型，本研究从理论上扩展了降阶线性倒立摆（LIP）模型，从腿运动在一个固定的表面上的运动的动态刚性表面（DRS）。所得到的模型在本文中被称为DRS-LIP。此外，本研究介绍了一个近似的解析解的建议DRS-LIP，计算效率高，精度高。为了说明分析结果的实际用途，它们被用来开发一个层次规划框架，有效地生成物理上可行的DRS运动轨迹。所提出的理论结果和运动规划的有效性证明了通过模拟和实验上的Laikago四足机器人，走在摇摆跑步机。
2022-01-31 cs.RO
X2-N: A Transformable Wheel-legged Humanoid Robot with Dual-mode Locomotion and Manipulation
Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港理工大学电子与计算机工程系）；X-lab Department, Agibot Innovation Company（阿吉博创新公司X实验室）
X2-N是一种具备双模运动与操作的高自由度可变形机器人，通过关节重构实现人形与轮腿形态的无缝转换，采用强化学习框架实现混合运动、转换与操作的统一控制。
2026-09-07 cs.RO
LocoVLM: Grounding Vision and Language for Adapting Versatile Legged Locomotion Policies
School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（电气工程学院，韩国科学技术院）
LocoVLM通过整合高层常识推理和视觉语言模型，实现了基于指令的实时腿式运动策略适应，准确率达87%。
2026-02-11 cs.RO
Generating a Terrain-Robustness Benchmark for Legged Locomotion: A Prototype via Terrain Authoring and Active Learning
California Institute of Technology（加州理工学院）；ETH Zurich（苏黎世联邦理工学院）
地形感知运动已经成为腿式机器人领域的一个新兴课题。然而，在仿真中很难生成多样的、具有挑战性的和真实的非结构化地形，这限制了研究人员评估其运动策略的方式。在本文中，我们通过地形创作和主动学习的地形数据集的生成原型，和学习的采样器可以稳定地生成各种高质量的地形。我们期望生成的数据集为腿部运动提供地形鲁棒性基准。数据集、代码实现和一些策略评估在https://bit.ly/3bn4j7f上发布。
2023-03-06 cs.GR cs.LG cs.RO
Addition of a peristaltic wave improves multi-legged locomotion performance on complex terrains
Georgia Institute of Technology（佐治亚理工学院）
针对多足机器人难以翻越与自身高度相当障碍物的问题，本文在双波模板外引入蠕动波，并通过五段绳驱机器人实验证明其可显著提升崎岖地形越障与穿越能力。
2024-10-01 cs.RO
Learning Agility and Adaptive Legged Locomotion via Curricular Hindsight Reinforcement Learning
Harbin Engineering University（哈尔滨工程大学）
本文提出课程式事后强化学习（CHRL），通过任务难度自动课程策略和适应有腿运动的事后经验回放策略学习端到端跟踪控制器，使四足机器人实现跌倒恢复、高速转向和冲刺等敏捷自适应运动。
2023-10-24 cs.RO
ReCo: Response-Consistent Locomotion with Policy-Aware MPC for Legged Manipulation
National University of Singapore（新加坡国立大学）
ReCo通过响应塑形和闭环响应模型使MPC联合规划运动与手臂动作，在仿真中降低位置和方向误差28.7%和27.4%，并实现真实机载连续腿部操作。
2026-10-02 cs.RO
Learning Multi-Skill Legged Locomotion Using Conditional Adversarial Motion Priors
School of Mechanical Engineering, Zhejiang Sci-Tech University（浙江科技学院机械工程学院）
提出基于条件对抗运动先验的多技能学习框架，使四足机器人从专家演示中高效获取多样化运动技能，并通过技能判别器和条件奖励实现精确重建与平滑切换。
2025-09-26 cs.RO
JEPLO: Joint-Embedding Predictive Learning for LiDAR-Based Legged Locomotion
University of Groningen（格罗宁根大学）；Linköping University（林雪平大学）
JEPLO提出一种基于LiDAR的无建图单阶段学习框架，利用PE-JEPA世界模型和CJTS流程训练运动策略，实现鲁棒的仿真到现实迁移，支持四足机器人穿越多样地形。
2026-09-15 cs.RO
Tuning Legged Locomotion Controllers via Safe Bayesian Optimization
ETH Zürich（苏黎世联邦理工学院）
本文提出基于无模型安全贝叶斯优化的数据驱动方法，在概率安全区域内自动调优腿足机器人控制增益，并扩展至多步态上下文，实现安全高效的控制器部署。
2023-10-26 cs.AI cs.RO
Mixture-of-Experts RL for Fault-Tolerant Legged Locomotion
Dynamic Legged Systems Laboratory, Istituto Italiano di Tecnologia (IIT), Genova, Italy（意大利技术研究院（IIT）动态腿足系统实验室，热那亚，意大利）；Dipartimento di Informatica, Bioingegneria, Robotica e Ingegneria dei Sistemi (DIBRIS), Universita di Genova, Genova, Italy（热那亚大学计算机科学、生物工程、机器人及系统工程系（DIBRIS），热那亚，意大利）
提出一种故障感知模块化控制架构，利用故障诊断信息激活针对不同执行器故障模式的专家策略，在多种故障场景下优于同等规模的单一策略，且适用于计算受限平台。
2026-07-02 cs.RO
Predictive Safety Curricula for Robust Legged Locomotion
ANYbotics AG（ANYbotics公司）
针对腿式机器人运动策略中罕见但严重的失败，提出预测性安全课程（PSC），利用学得的未来安全成本预测来分配训练经验，在崎岖地形和生产系统中显著提高可靠性并减少碰撞。
2026-09-30 cs.AI cs.LG cs.RO
Bridging Walking and Slithering -- Stokesian Locomotion
双腿运动和滑行运动都是典型的利用周期性步态--重复的身体形状变化周期，在世界上产生一个净运动。腿部运动可以从分段接触约束的形成和去除的角度来观察。滑行和低雷诺数游泳在力平衡的连续约束下操作，其中耗散消除了累积动量的能力。在这里，我们将讨论如何弥合这些运动域之间的差距，从而，除其他好处外，产生模型的空间腿运动与滑动。连接结构使用“斯托克斯”或“局部连接”模型。
2022-04-12 cs.RO
Effective Viscous Damping Enables Morphological Computation in Legged Locomotion
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
肌肉模型和动物观察表明，物理阻尼有利于稳定。尽管如此，只有少数实现的机械阻尼存在于顺应性机器人腿运动。目前还不清楚如何利用物理阻尼的运动任务，而它的优点是无传感器，自适应力和负功产生执行器是有前途的。在一个简化的数值腿模型中，我们研究了在地面扰动的垂直下落过程中粘性和库仑阻尼的能量耗散。一个平行的弹簧阻尼器在触地和中间站姿之间接合，并且其阻尼器在中间站姿和起飞期间自动脱离。我们的模拟表明，可调和粘性阻尼器是理想的。在硬件方面，我们探索了有效的粘性阻尼和可调节性，并量化了耗散的能量。我们测试了两个机械，腿安装阻尼机制;商业液压阻尼器，和定制的气动阻尼器。气动阻尼器采用滚动膜片与可调孔，最大限度地减少库仑阻尼效应，同时允许可调阻力。实验结果表明，腿安装，液压阻尼器具有最有效的粘性阻尼。与数值模型中阻尼参数的调整不同，调整节流孔设置不会导致每滴耗散能量的实质性变化。因此，我们还强调了在真实的腿部冲击，以评估其有效性的顺应腿运动的物理阻尼器的特征的重要性。
2020-06-06 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
Bridging the Gap: Enabling Soft Actor Critic for High Performance Legged Locomotion
ETH Zurich（苏黎世联邦理工学院）
本文通过识别软演员-评论家（SAC）在并行训练中性能不足的根本原因，并提出策略初始化、超时感知评论家目标和多步回报估计等改进，使其在腿部运动任务中达到与近端策略优化（PPO）相当的性能。
2026-05-24 cs.AI cs.LG cs.RO
DiffuseLoco: Real-Time Legged Locomotion Control with Diffusion from Offline Datasets
UC Berkeley（加州大学伯克利分校）；Simon Fraser University（西蒙菲莎大学）
DiffuseLoco提出利用扩散模型从离线多模态数据集训练多技能腿式运动策略，通过滚动时域控制和延迟输入实现实时控制、零样本迁移与边缘部署，在真实四足机器人上优于强化学习和行为克隆基线。
2024-04-30 cs.RO
Curve Tracking Control for Legged Locomotion in Horizontal Plane
本文推导了一种混合反馈控制律，使腿式运动员的质心在水平面内沿曲线运动。控制律使跑步者能够改变其腿的位置和弹性，以沿期望的方向移动。沿着曲线路径的稳定运动是利用曲率、轴承和转轮与曲线之间的相对距离作为反馈来实现的。腿部参数上的约束确定可以遵循的曲线类。我们还得到了一个最优控制法，稳定的方向的跑步者的身体相对于跑步者的质心的速度。
2007-01-06 cs.RO
Manipulator as a Tail: Promoting Dynamic Stability for Legged Locomotion
University of California, Berkeley（加州大学伯克利分校）
针对腿式机器人机械臂在运动中的负担问题，提出受神经生理学启发的增量训练策略，利用机械臂作为尾巴提升高速转向和抗扰动的动态稳定性，显著降低失败率。
2024-07-24 cs.RO
Optimization-Based Quadrupedal Hybrid Wheeled-Legged Locomotion
Politecnico di Milano（米兰理工大学）；Istituto Italiano di Tecnologia（意大利技术研究院）
混合轮腿运动是一种导航范式，最近才由新型机器人设计开辟，例如半人马型人形CENTAURO [1]或四足动物ANYmal [2]，其配置具有非转向轮。术语“混合运动”在下文中用于表示一种特定类型的运动，通过同时协调使用腿和轮子来实现，参见图1。这样的选择源于双腿运动和更简单的轮式导航之间的交叉点，以便从两种技术中获得最佳效果：敏捷性和穿越不平坦地形的能力来自第一种，速度和稳定性来自第二种。因此，为混合机器人规划可行轨迹的问题与腿运动问题有许多相似之处：同样在混合情况下，考虑到带轮的脚只能推地面而不能拉地面，基座的运动是通过脚与环境的接触实现的。必须考虑与摩擦锥体相容的力，而触点可以正好沿着由轮的定向所规定的方向滑动。
2021-07-15 cs.RO cs.SY eess.SY
MPC-based Controller with Terrain Insight for Dynamic Legged Locomotion
Istituto Italiano di Tecnologia（意大利理工学院）；University of Notre Dame（圣母大学）
我们提出了一种新的控制策略，在复杂的情况下，动态腿运动，认为有关地形的形态信息的上下文中，只有板载的映射和计算。该策略建立在两个主要元素之上：首先是一个接触序列任务，该任务基于卷积神经网络提供安全的立足点位置，以执行快速和连续的地形评估，以寻找安全的立足点位置;然后是一个模型预测控制器，该控制器考虑由接触序列任务给出的立足点位置，以优化目标地面反作用力。我们评估我们的策略的性能，通过模拟的液压驱动的四足机器人HyQReal穿越粗糙的地形下，现实的车载传感和计算条件。
2020-03-31 cs.RO
Neuromorphic adaptive spiking CPG towards bio-inspired locomotion of legged robots
Universidad de Cádiz（加的斯大学）；University of Guanajuato（瓜纳华托大学）；Universidad de Sevilla（塞维利亚大学）
近年来，脊椎动物所表现出的运动机制一直是机器人系统性能改进的灵感来源。这些机制包括它们的运动对通过它们的生物传感器记录在环境中的任何变化的适应性。在这方面，我们的目标是复制这种适应性的足式机器人通过尖峰中央模式发生器。这种尖峰中央模式发生器生成不同的运动（节奏）模式，这些模式由外部刺激驱动，即连接到机器人以提供反馈的力敏电阻器的输出。尖峰中央模式发生器由五个群体的泄漏整合和发射神经元网络组成，这些神经元设计有特定的拓扑结构，从而可以通过上述外部刺激生成和驱动节奏模式。因此，末端机器人平台（任何足式机器人）的运动可以通过使用任何传感器作为输入来适应地形。具有自适应学习的尖峰中央模式发生器已在软件和硬件层面进行了数值验证，使用Brian 2模拟器和SpiNNaker神经形态平台进行最新验证。特别是，我们的实验清楚地表明，当输入刺激变化时，尖峰中央模式发生器的种群中产生的尖峰之间的振荡频率存在适应性。为了验证尖峰中枢模式发生器的鲁棒性和适应性，我们通过改变传感器的输出进行了几次测试。这些实验在Brian 2和SpiNNaker中进行;两种实现都显示出类似的行为，Pearson相关系数为0.905。
2021-01-24 cs.AI cs.NE cs.RO
Transferable Latent-to-Latent Locomotion Policy for Efficient and Versatile Motion Control of Diverse Legged Robots
Tsinghua University（清华大学）；SunRising AI Ltd（星耀人工智能有限公司）
该研究提出潜空间训练框架，预训练可迁移的潜空间到潜空间运动策略搭配任务专属编解码器，微调时仅优化轻量编解码器，可借助自身或异形态机器人经验加速适配，经仿真与实机验证有效提升了新机器人、新任务的泛化效率。
2025-03-22 cs.AI cs.RO
A Compact Variable Stiffness Actuator for Agile Legged Locomotion
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；University of Liverpool（利物浦大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出一种专为腿式机器人设计的紧凑轻量型变长度板簧执行器（VLLSA），通过改进板簧机制结构实现宽范围、高速度、低能耗的刚度调节与精确建模，硬件跳跃实验验证了其优势。
2024-07-16 cs.RO
Safe Reinforcement Learning for Legged Locomotion
Princeton University（普林斯顿大学）；Google Research（谷歌研究院）；Georgia Institute of Technology（佐治亚理工学院）
由于欠驱动和非连续的机器人动力学，设计腿运动的控制策略是复杂的。无模型强化学习为解决这一挑战提供了有前途的工具。然而，安全性是无模型强化学习在现实世界中应用的一个主要瓶颈。在本文中，我们提出了一个安全的强化学习框架，该框架在防止机器人进入不安全状态的安全恢复策略和经过优化以完成任务的学习者策略之间切换。当学习器策略违反安全约束时，安全恢复策略接管控制，并且当没有未来的安全违反时，将控制移交回去。我们设计的安全恢复策略，使它确保安全的腿运动，同时最小限度地干预学习过程。此外，我们从理论上分析了所提出的框架，并提供了一个上限的任务性能。我们验证了所提出的框架，在四个运动任务的模拟和真实的四足机器人：有效的步态，猫步，双腿平衡，和起搏。平均而言，我们的方法比模拟中的基线方法减少了48.6%的跌倒次数，并获得了相当或更好的回报。当将其部署在现实世界的四足机器人上时，我们的训练管道可以使高效步态的能效提高34%，猫道中的脚放置更窄40.9%，双腿平衡的跳跃持续时间增加两倍。我们的方法在115分钟的硬件时间内实现了不到5次跌倒。
2022-03-05 cs.AI cs.LG cs.RO
Multi-expert learning of adaptive legged locomotion
School of Informatics, University of Edinburgh（爱丁堡大学信息学院）；Institute of Cyber-Systems and Control, Zhejiang University（浙江大学控制科学与工程学院 cyber-system 研究所）
实现多功能机器人运动需要运动技能，可以适应以前看不到的情况。我们提出了一个多专家学习架构（MELA），学习从一组有代表性的专家技能生成自适应技能。在训练过程中，MELA首先由一组不同的预先训练的专家初始化，每个专家都在一个单独的深度神经网络（DNN）中。然后，通过使用门控神经网络（GNN）学习这些DNN的组合，MELA可以获得更专业的专家和跨各种运动模式的过渡技能。在运行时，MELA不断混合多个DNN，并动态合成一个新的DNN，以产生自适应行为来响应不断变化的情况。这种方法利用训练有素的专家技能和快速在线合成的自适应策略的优势，在不断变化的任务中产生响应运动技能。使用统一的MELA框架，我们在一个真正的四足机器人上展示了成功的多技能运动，该机器人自主地进行连贯的小跑，转向和跌倒恢复，并展示了多专家学习生成行为的优点，这些行为可以适应看不见的场景。
2020-12-10 cs.AI cs.LG cs.RO
Dynamic Adaptive Legged Locomotion Policy via Decoupling Reaction Force Control and Gait Control
Machine Intelligence Lab (MiLAB), School of Engineering, Westlake University, Hangzhou 310030, China（西溪大学工程学院机器智能实验室（MiLAB），杭州310030，中国）；Nanjing University, Suzhou, 215163, China（南京大学，苏州，215163，中国）
针对强化学习足式运动在分布外条件及仿真到现实差距下性能下降的问题，提出解耦支撑腿与摆动腿控制的框架以实现快速在线适应，实验证明其有效应对多种扰动与负载。
2025-09-17 cs.RO
Versatile Telescopic-Wheeled-Legged Locomotion of Tachyon 3 via Full-Centroidal Nonlinear Model Predictive Control
Sony Group Corporation（索尼集团公司）；Sony Global Manufacturing & Operations Corporation（索尼全球制造与运营公司）
针对伸缩式轮腿机器人Tachyon 3的硬件结构控制难题，提出带专用约束的全质心NMPC及含内部状态积分器的控制流水线，经仿真与硬件实验验证，可在严苛约束下实现平滑动态运动生成。
2023-12-14 cs.RO
Invariant Filtering for Legged Humanoid Locomotion on Dynamic Rigid Surfaces
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Purdue University（普渡大学）；University of Rhode Island（罗德岛大学）
动态刚性表面（DRS）上的腿运动的状态估计，动态刚性表面是在世界坐标系中移动的刚性表面（例如，船舶、飞机和火车），仍然是一个未被探索的问题。本文介绍了一种不变扩展卡尔曼滤波器，该滤波器通过使用足式机器人的常见传感器（例如，惯性测量单元（IMU）、关节编码器和RDB-D相机）。该滤波器的一个关键特征在于，它明确地解决了非静止的表面-脚接触点和混合机器人的行为。另一个关键特征是，在没有IMU偏差的情况下，滤波器满足吸引群仿射和不变观测条件，因此对于确定性连续相位可证明收敛。可观测性分析揭示DRS运动对状态可观测性的影响，并检查的混合，确定性滤波器系统的可观测状态变量的收敛性。数字人形机器人在俯仰跑步机上行走的实验验证了该滤波器在大估计误差和适度DRS运动下的有效性。实验的视频可以在https://youtu.be/ScQIBFUSKzo上找到。
2022-05-16 cs.RO
Agile legged locomotion in reconfigurable modular robots
本文提出了一种可重构模块化机器人系统，通过自主模块化腿部实现快速修复和重组，以适应动态环境并提高机器人灵活性。
2026-02-27 cs.RO
Oncilla robot: a versatile open-source quadruped research robot with compliant pantograph legs
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Maastricht University（马斯特里赫特大学）；Ghent University（根特大学）；Bielefeld University（比勒费尔德大学）
我们提出了Oncilla机器人，一种新型的移动，四足步行机。这只大猫大小，5.1机器人是一种最近，生物启发足式机器人类设计与无模型运动控制的能力。动物在崎岖地形中的腿运动显然是由传感器反馈系统塑造的。Oncilla机器人的结果表明，在某种程度上没有感觉信号的情况下，敏捷和灵活的运动是可能的，并且当添加反馈控制时，跟踪变得鲁棒（Ajaoolleian 2015）。通过结合来自动物的机械和控制蓝图，并通过观察由此产生的机器人运动特性，我们的目标是了解单个组件的贡献。足式机器人具有广泛的机械和控制设计参数空间，并且作为研究生物力学和腿运动控制原理的研究工具具有独特的潜力。但硬件和控制器设计可能是学术研究的一个陡峭的初始障碍。为了方便足式机器人的启动和开发，Oncilla-robot的蓝图可以通过开源获得。[...]
2018-06-16 cs.RO
Failure Mechanisms and Risk Estimation for Legged Robot Locomotion on Granular Slopes
研究四足机器人在颗粒斜坡上的运动失效机制，通过实验建立机器人-地形交互模型，预测锚定时机和步长，揭示斜坡导致性能下降的主要因素是延迟锚定和增加后滑，从而构建失效相图以量化风险。
2026-04-02 cs.RO
Multi-Loco: Unifying Multi-Embodiment Legged Locomotion via Reinforcement Learning Augmented Diffusion
Southern University of Science and Technology, China（南方科技大学）；University of Notre Dame, United States（Notre Dame 大学）；Zhejiang University-University of Illinois Urbana-Champaign Institute, China（浙江大学-伊利诺伊大学厄巴纳-香槟分校联合研究所）；LimX Dynamics, Shenzhen, China（LimX 动力学（深圳））
针对不同形态腿式机器人运动策略难泛化的问题，提出结合形态无关扩散模型与RL优化残差策略的Multi-Loco框架，在仿真和真机实验中较标准PPO框架平均回报提升10.35%，验证了跨具身数据与复合生成架构的优势。
2025-06-13 cs.RO
RL-Augmented MPC for Non-Gaited Legged and Hybrid Locomotion
Humanoids and Human-Centred Mechatronics (HHCM) lab, Istituto Italiano di Tecnologia (IIT)（人机协同机电一体化实验室，意大利技术研究院）
本文提出一种结合强化学习和模型预测控制的分层架构，通过模拟中学习无环步态实现接触时间的卸载，验证了在不同机器人平台上的有效性及非平坦地形的扩展性。
2026-03-11 cs.RO
An Adaptable Approach to Learn Realistic Legged Locomotion without Examples
Barcelona Supercomputing Center (BSC)（巴塞罗那超级计算中心）
在自然界中再现腿部运动的学习控制器一直是机器人和计算机图形学的长期目标。虽然产生有前途的结果，最近的方法还不够灵活，适用于不同形态的腿系统。这部分是因为它们通常依赖于精确的动作捕捉参考或精心设计的学习环境，以确保紧急运动步态的自然性，但防止泛化。这项工作提出了一种通用的方法，以确保运动的现实主义指导学习过程中的弹簧加载倒立摆模型作为参考。利用强化学习（RL）的探索能力，我们学习了一种控制策略，该策略填补了模板模型和保持稳定和周期性运动所需的全身动力学之间的信息间隙。所提出的方法可以应用于不同尺寸和形态的机器人，并适应于任何RL技术和控制架构。我们目前的实验结果表明，即使在一个无模型的设置和一个简单的反应式控制架构，学习的政策可以产生现实和节能的运动步态的两足和四足机器人。最重要的是，这是在不使用运动捕捉、机器人动力学或运动学的强约束、也不规定肢体协调的情况下实现的。我们提供了补充视频，用于定性分析学习步态的自然性。
2022-02-08 cs.AI cs.GR cs.RO
Minimizing Energy Consumption Leads to the Emergence of Gaits in Legged Robots
Carnegie Mellon University（卡内基梅隆大学）；UC Berkeley（加州大学伯克利分校）
腿式运动通常被研究并表示为一组离散的步态模式，如步行、小跑、疾驰，这些步态模式通常被视为给定的，并在足式机器人中被预编程，以不同的速度进行有效的运动。然而，固定一组预先编程的步态限制了运动的通用性。最近的动物运动研究表明，这些传统的步态只在理想的平坦地形条件下普遍存在，而现实世界的运动是非结构化的，更像是间歇性的步伐。什么样的原则可以导致哺乳动物的结构化和非结构化模式，以及如何在机器人中合成它们？在这项工作中，我们采取综合分析的方法，并通过最小化机械能来学习移动。我们证明，学习，以最大限度地减少能源消耗发挥了关键作用，在真正的四足机器人以不同的速度自然运动步态的出现。这些涌现的步态是在理想地形中构造的，看起来与马和羊的步态相似。同样的方法导致非结构化的步态在粗糙的地形，这是一致的动物运动控制的研究结果。我们验证我们的假设在模拟和真实的硬件在自然地形。视频https://energy-locomotion.github.io
2021-10-25 cs.AI cs.CV cs.LG
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
Learning a Centroidal Motion Planner for Legged Locomotion
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）
全身优化器已经成功地自动计算复杂的动态运动行为。然而，它们通常限于离线规划，因为它们在计算上太昂贵而不能以高频率重新规划。简单的模型通常用于在线重新规划。在本文中，我们提出了一种方法来生成全身运动的实时运动任务。我们的方法包括学习质心神经网络，预测所需的质心运动给定的机器人的当前状态和所需的接触计划。该网络使用现有的全身运动优化器进行训练。我们的方法能够用很少的训练样本学习动态运动，这些动态运动可以在高频率下用于完整的全身控制框架，这通常是典型的全身优化器无法实现的。我们展示了我们的方法来产生一个真正的四足机器人上的行走和跳跃运动的丰富。
2020-11-05 cs.RO
Polytopic Planar Region Characterization of Rough Terrains for Legged Locomotion
Southern University of Science and Technology（南方科技大学）
本文研究了从深度相机读数构造平面区域的多面体表示的问题。该问题对于复杂环境下的地形测绘具有重要意义，在步行运动中具有很大的应用潜力。为了解决多面体平面区域表征问题，我们提出了一个两阶段的解决方案。在第一阶段，嵌入在深度图像序列中的平面区域首先被单独提取，然后被合并以建立仅包含所选帧中的平面区域的地形图。为了简化适用于足式机器人的立足点规划的平面区域的表示，我们进一步近似提取的平面区域通过低维多面体在第二阶段。与多面体表示，所提出的方法实现了准确性和简单性之间的很大平衡。RGB-D相机的实验验证，以证明所提出的方案的性能。所提出的计划成功地通过多面体的平面区域的特点，具有可接受的精度。更重要的是，整个感知方案的运行时间小于10 ms（即，> 100 Hz），这有力地说明了本文提出的方法的优点。
2022-07-07 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
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
Real-time Multi-Plane Segmentation Based on GPU Accelerated High-Resolution 3D Voxel Mapping for Legged Robot Locomotion
sony group corporation（索尼集团公司）
针对足式机器人运动场景下现有在线平面建图精度与效率难平衡的问题，提出结合顶点连通分量标记、随机采样一致性平面检测与凸包的GPU加速体素地图多平面分割方法，实现0.01米分辨率下超30Hz的实时分割，经仿真与实体平台验证可提升运动稳健性。
2025-10-02 cs.RO
Discrete-Time Hybrid Automata Learning: Legged Locomotion Meets Skateboarding
University of Michigan（密歇根大学）；Southern University of Science and Technology（南方科技大学）
本文提出DHAL框架，通过结合强化学习、beta策略分布和多评论家架构，在无需轨迹分割或事件函数学习的情况下识别并执行混合动力系统的模式切换，并在四足机器人滑板任务中验证了其鲁棒性能。
2025-04-06 cs.RO
Thruster-assisted center manifold shaping in bipedal legged locomotion
Northeastern University（东北大学）
本文的工作旨在为足式机器人的设计提供参考。我们的长期目标是开发能够通过协同利用腿和推进器来应对非结构化环境（包括陆地和空中）的机器人。这些机器人可用于广泛的应用，包括搜索和救援行动、太空探索、住宅空间的自动包裹处理和数字农业等。在所有这些例子中，推进器辅助移动的独特能力大大拓宽了这些系统的运动设计可能性。为了证明推进器在双足运动步态的鲁棒化和效率方面的有效性，这项工作探讨了它们对步态极限环的影响，并提出了基于塑造这些具有强叶状中心流形的新设计范例。单向接触力的可行性条件解决的最优控制计划。
2020-06-06 cs.RO cs.SY eess.SY
CTS: Concurrent Teacher-Student Reinforcement Learning for Legged Locomotion
School of System Design and Intelligent Manufacturing (SDIM), Southern University of Science and Technology（南方科技大学系统设计与智能制造学院）；LimX Dynamics（灵蜥动力）；Zhejiang University-University of Illinois Urbana-Champaign Institute (ZJUI)（浙江大学-伊利诺伊大学厄巴纳-香槟分校学院）
本文提出并行师生强化学习架构CTS，通过改进PPO同时训练教师与学生策略，在不平坦地形腿足运动中相比两阶段师生方法将平均速度跟踪误差降低最多20%，并在四足和双足机器人上验证了鲁棒敏捷的运动能力。
2024-09-01 cs.RO
Multi-Modal Legged Locomotion Framework with Automated Residual Reinforcement Learning
ShanghaiTech University（上海科技大学）
虽然四足机器人通常具有良好的稳定性和负载能力，但双足机器人对不同的任务和环境提供了更高水平的灵活性/适应性。多模态足式机器人可以两全其美。在本文中，我们提出了一个多模态运动框架，该框架由手工制作的过渡运动和基于学习的双足控制器组成-通过一种称为自动残差强化学习的新算法学习。该框架旨在赋予任意四足机器人两足行走的能力。特别是，我们1）设计了一个额外的支撑结构的四足机器人和顺序多模态转换策略; 2）提出了一种新的类强化学习算法的双足控制和评估其性能在仿真和现实世界。实验结果表明，我们提出的算法具有最好的性能在仿真和保持良好的性能在现实世界的机器人。总的来说，我们的多模态机器人可以成功地在四足和四足之间切换，并在两种模式下行走。实验视频和代码可在https://chenaah.github.io/multimodal/上获得。
2022-02-24 cs.RO
