Learning Bipedal Walking for Humanoids with Current Feedback
CNRS-AIST JRL (Joint Robotics Laboratory) IRL（法国国家科学研究中心-产业技术综合研究所联合机器人实验室国际联合实验室）；National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所）；University of Tsukuba（筑波大学）；Stanford University（斯坦福大学）
本文针对人形机器人执行器力矩跟踪不准导致的sim2real差距，提出在仿真中人为劣化力矩跟踪并利用真实机器人电流反馈训练端到端策略，在HRP-5P上实现零样本双足行走，且前馈架构加动力学随机化即可达到鲁棒效果。
2023-08-07 cs.LG cs.RO
Bioinspired Bipedal Locomotion Control for Humanoid Robotics Based on EACO
Hefei University of Technology（合肥工业大学）；Changzhou Inst of Tech（常州工学院）
为了构造一个能像人类或其他有腿动物一样高效稳定行走的机器人，我们提出了一种带有遗传算子和交叉算子的改进的精英变异蚁群优化算法（EACO），并将其实时应用于类人机器人或其他足式机器人的设计.本文提出了一种基于马尔可夫链的EACO算法，通过估计期望收敛速度，提高算法的全局搜索能力和收敛速度，并应用于人形机器人的实时控制。此外，我们把重点放在广泛的问题，从蚁群算法，实数编码的遗传算法，遗传算法与神经网络~（NNs），粒子群优化~（PSO）的复杂机器人系统，包括步态综合，动态建模的参数化轨迹和步态优化的仿人机器人的EACO算法。实验结果表明，该方法能够发现早熟收敛概率，成功地解决了固有的停滞，并促进基于EACO的仿人机器人系统的收敛速度，并证明了我们的策略解决复杂的优化任务的适用性和有效性。我们发现可靠和快速行走步态的速度高达0.47米/秒，使用EACO优化策略。这些发现对于理解和解决EACO的固有停滞和收敛速度差具有重要意义，并为仿人机器人的遗传结构和控制优化提供了新的见解。
2020-10-09 cs.AI cs.NE cs.RO
Sim-to-Real Transfer of Compliant Bipedal Locomotion on Torque Sensor-Less Gear-Driven Humanoid
Preferred Networks, Inc.（首选网络公司）；University of Tsukuba（筑波大学）
针对高减速比齿轮与稳定双足运动导致的仿真到现实实差距，提出新齿轮仿真模型及可利用失败尝试的系统辨识方法，并在 ROBOTIS-OP3 上验证其无传感器抗扰与不平地行走能力。
2023-12-08 cs.RO
Variable Inertia Model Predictive Control for Fast Bipedal Maneuvers
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；North Carolina State University（北卡罗来纳州立大学）
针对双足机器人降阶模型与全身模型的偏差问题，提出融合可变质心惯性网络的MPC控制框架，结合接触力规划与全身控制器，在DRACO 3仿真中实现了更高速度的稳定行走。
2024-09-14 cs.RO
DeepWalk: Omnidirectional Bipedal Gait by Deep Reinforcement Learning
University of Bonn（波恩大学）
双足行走是机器人技术中最困难但最令人兴奋的挑战之一。这些困难来自于高维动力学的复杂性、传感和致动限制以及实时和计算约束。深度强化学习（DRL）通过以最少的工艺充分利用机器人动力学来解决这些问题。在本文中，我们提出了一种新型的DRL方法，使智能体能够学习人形（两足）机器人的全方位运动。值得注意的是，运动行为是由一个单一的控制策略（一个单一的神经网络）。我们通过引入一种新的课程学习方法来实现这一目标，该方法通过安排目标速度来逐渐增加任务难度。此外，我们的方法不需要参考运动，方便其应用到不同的运动学机器人，并降低了整体的复杂性。最后，不同的策略，仿真到现实迁移，使我们能够转移到一个真正的人形机器人的学习政策。
2021-06-01 cs.RO
A Fast, Autonomous, Bipedal Walking Behavior over Rapid Regions
Florida Institute for Human and Machine Cognition（佛罗里达人机认知研究所）；University of West Florida（西佛罗里达大学）
在试图建立人形机器人，执行有用的任务，在世界上为人类，我们解决的问题，自主运动。人形机器人规划和控制算法在崎岖地形上行走变得越来越有能力。与此同时，商用深度相机变得越来越精确，GPU计算已成为人工智能研究的主要工具。在本文中，我们提出了一个新构建的行为控制系统，实现快速，自主，双足步行，没有停顿或审议。我们实现这一点，使用最近发表的快速平面区域感知算法，基于高度图的身体路径规划器，A* 脚步规划器，和基于动量的步行控制器。我们把这些元素放在一起，形成一个行为控制系统的现代软件开发实践和仿真工具的支持。
2022-07-17 cs.RO
Optimal Motion Generation of the Bipedal Under-Actuated Planar Robot for Stair Climbing
Sharif University of Technology（谢里夫理工大学）
人形机器人在当今世界的重要性是不可否认的，人形机器人最重要的特点之一就是能够在楼梯等其他机器人无法轻易跨越的环境中进行机动。一个合适的算法来生成路径的双足机器人爬是非常重要的。本文提出了一种基于优化的方法来产生一个最佳的楼梯欠驱动双足机器人没有踝关节驱动器。生成的路径是基于问题的零动态和非零动态的，并且根据问题中零动态约束的满足情况，跟踪路径是可能的，换句话说，问题是动态可行的。问题中使用的优化方法是基于梯度的方法，该方法具有用于计算处理的适当数量的函数评估。这种方法也可以用来爬楼梯。
2022-12-31 cs.RO
Capture Steps: Robust Walking for Humanoid Robots
University of Bonn（波恩大学）
稳定的双足行走是人形机器人发挥其在日常环境中成为多功能助手的潜力的关键先决条件。然而，双足行走是一种复杂的运动，需要许多自由度的协调，同时它也是固有的不稳定和对干扰敏感的。步行的平衡必须经常保持。控制平衡的最有效方法是适时和适当的恢复步骤--捕捉步骤--吸收从推动或绊倒中获得的支出势头。我们提出了一个双足步态生成框架，利用步骤的时间和脚的放置技术，以恢复平衡，即使在强烈的干扰。我们的框架修改下一个脚步的位置时，立即响应干扰，并产生可控的全向行走，只使用很少的传感和计算能力。我们利用开环稳定的中央模式产生的步态，以适应线性倒立摆模型所观察到的质心轨迹。然后，我们使用拟合模型来预测合适的脚步位置和时间，以便在遵循目标步行速度的同时保持平衡。我们的实验表明，迄今为止，人形机器人中最强的推动-恢复能力之一的定性和统计证据。
2020-11-05 cs.RO
Learning Bipedal Walking On Planned Footsteps For Humanoid Robots
National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所）；University of Tsukuba（筑波大学）
基于深度强化学习（RL）的足式机器人控制器已经证明了在几个机器人平台的不同环境中行走的令人印象深刻的鲁棒性。为了使RL策略在现实世界中的人形机器人的应用，关键是要建立一个系统，可以实现鲁棒的行走在任何方向上，在2D和3D地形，并可由用户命令控制。在本文中，我们通过学习一个策略来遵循给定的步骤序列来解决这个问题。该策略是在一组程序生成的步骤序列（也称为足迹计划）的帮助下训练的。我们表明，简单地将即将到来的2个步骤输入到策略中就足以实现全向行走、原地转弯、站立和爬楼梯。我们的方法采用课程学习的地形的复杂性，并避免了需要参考运动或预先训练的权重。我们展示了我们提出的方法的应用，学习RL政策的2个新的机器人平台-HRP 5 P和JVRC-1 -在MuJoCo仿真环境。培训和评估守则可在线查阅。
2022-10-31 cs.AI cs.LG cs.RO
Learning Control Policies for Fall prevention and safety in bipedal locomotion
Stanford University（斯坦福大学）；Georgia Institute of Technology（佐治亚理工学院）
从意外的外部干扰中恢复的能力是双足运动的基本运动技能。有效的应对措施不仅包括恢复平衡和保持稳定的能力，还包括在身体无法恢复平衡时以安全的方式摔倒的能力。对于与双足运动相关联的机器人，例如人形机器人和帮助人类行走的辅助机器人设备，设计能够提供这种稳定性和安全性的控制器可以防止对机器人的损坏或防止与伤害相关的医疗费用。这是一项具有挑战性的任务，因为它涉及到为具有接触的高维、非线性和欠驱动系统生成高度动态运动。尽管在使用基于模型的方法和优化方法方面取得了先前的进步，但诸如需要广泛的领域知识、相对较大的计算时间和对动态变化的有限鲁棒性等挑战仍然使其成为一个开放的问题。在这篇论文中，为了解决这些问题，我们开发了基于学习的算法，能够合成两种不同类型的机器人的推恢复控制策略：人形机器人和辅助机器人设备，协助双足运动。我们的工作可以分为两个密切相关的方向：1）学习安全跌倒和跌倒预防策略的人形机器人和2）学习跌倒预防策略的人类使用机器人辅助设备。为了实现这一目标，我们引入了一组深度强化学习（DRL）算法来学习控制策略，从而在使用这些机器人时提高安全性。
2022-01-04 cs.AI cs.RO
Learning to Improve Capture Steps for Disturbance Rejection in Humanoid Soccer
Univ. of Bonn（波恩大学）
在过去的几年里，足球人形机器人有了很大的进步。基本技能，如双足行走，视觉感知和碰撞避免已经足够成熟，可以进行动态和令人兴奋的游戏。当两个机器人争夺球时，他们经常互相推，平衡恢复变得至关重要。在本文中，我们报告的见解，我们获得了系统的推动实验上进行的双足模型和概述的在线学习方法，我们用来提高其推恢复能力。此外，我们描述了如何解决由统一的目标颜色引入的定位模糊性，并报告了2013年RoboCup比赛的结果。
2018-09-28 cs.RO
TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning
Zhejiang University（浙江大学）；Westlake University（西湖大学）；Shanghai Jiao Tong University（上海交通大学）；Shanghai Innovation Institute（上海创新研究院）
TrajBooster通过利用轮式人形数据提升双足VLA性能，采用末端执行器轨迹作为通用接口，通过仿真重定向和预训练实现高效任务执行，减少对同构数据的依赖。
2026-03-19 cs.CV cs.RO
Regrasp Planning Considering Bipedal Stability Constraints
Osaka University（大阪大学）；National Inst. of AIST（产业技术综合研究所）
本文提出了一种基于质量中心（CoM）的操作和重新抓取规划器，该规划器实现稳定性约束以保持机器人平衡。该规划器提供了一个图形的IK可行的，无碰撞和稳定的运动序列，使用基于能量的运动规划算法构建。它确保装配运动稳定，并防止机器人在不同情况下执行灵巧任务时摔倒。此外，约束也被用来执行RRT启发的任务相关的稳定性估计在几个模拟。该估计可用于在单臂和双臂重握配置之间进行选择，以针对给定的操纵任务实现更高的稳定性和鲁棒性。为了验证规划器和任务相关的稳定性估计，在模拟和真实世界的实验中进行了几次测试，涉及HRP 5P人形机器人，HRP机器人家族的第5代。实验结果表明，规划器和任务相关的稳定性估计提供了鲁棒的行为人形机器人，而执行重握任务。
2018-10-14 cs.RO
SteadyTray: Learning Object Balancing Tasks in Humanoid Tray Transport via Residual Reinforcement Learning
UC San Diego（UC圣迭戈大学）
SteadyTray通过残差强化学习实现人形机器人餐盘运输中的物体平衡任务，结合稳健的运动策略与动态残差模块，显著提升步态平滑度和姿态准确性，实现高鲁棒性的零样本泛化。
2026-03-11 cs.RO
Robust Humanoid Walking on Compliant and Uneven Terrain with Deep Reinforcement Learning
CNRS-AIST JRL (Joint Robotics Laboratory) IRL, National Institute of Advanced Industrial Science and Technology (AIST), Japan（日本国家先进工业科学与技术研究院（AIST））；University of Tsukuba（筑波大学）；Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
本文针对仿人机器人在柔性不平地形的鲁棒行走问题，提出基于模拟到现实的深度强化学习方法，通过随机地形训练课程和本体感受反馈实现真实机器人鲁棒行走，并提出可变步频控制策略提升鲁棒性。
2025-04-18 cs.RO
Model-Informed Safe Reinforcement Learning for Bipedal Locomotion via Step-to-Step Prediction
The Ohio State University（俄亥俄州立大学）
提出基于ALIP模板和DECBF安全证书的模型信息强化学习框架，通过训练整形和运行时动作过滤实现双足运动安全，实验表明减少安全违规但存在安全跟踪权衡。
2026-09-29 cs.RO
Bipedal Robot Walking Control Using Human Whole-Body Dynamic Telelocomotion
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
对于在搜索和救援等要求严格的情况下部署的人形机器人来说，需要高度智能的决策和熟练的感觉运动技能。一个很有前途的解决方案是通过遥操作将机器人和人类连接起来，从而利用人类的能力。为了创建无缝操作，本文提出了一个动态的telelocomotion框架，该框架将人类飞行员的步态与双足机器人的行走相结合。首先，我们介绍了一种方法来产生一个虚拟人步行模型从人类飞行员的步进行为，作为参考的机器人行走。第二，通过向人类飞行员和机器人施加力来同步行走参考和机器人行走的动力学，以实现两个系统之间的动力学相似性。这使得人类飞行员能够持续感知并消除行走参考和机器人之间的任何干扰。一个一致的步骤放置策略的机器人推导出保持动态相似性，通过步骤过渡。使用我们的人机界面，我们证明了人类飞行员可以实现稳定和同步的遥操作的模拟机器人，通过步进到位，步行和干扰抑制实验。这项工作为将人类的智能和反应转移到人形机器人上迈出了基本的一步。
2022-09-14 cs.RO
Exploring Kinodynamic Fabrics for Reactive Whole-Body Control of Underactuated Humanoid Robots
University of Michigan（密歇根大学）
针对双足人形机器人需同时执行多任务并实时响应干扰的需求，提出Kinodynamic Fabrics方法，通过受力谱半喷雾规范优先级任务并实时求解关节加速度，实验表明其在运行时间和反应性上优于现有基于二次规划的全身控制器，且已开源。
2023-08-23 cs.RO
Moving past point-contacts: Extending the ALIP model to humanoids with non-trivial feet using hierarchical, full-body momentum control
The Ohio State University（俄亥俄州立大学）；Sarcos Technology and Robotics Corp.（萨科斯技术与机器人公司）
本文提出结合任务空间全身动量控制器的 ALIP 规划框架，突破点接触与质心角动量可忽略假设，并在 Sarcos Guardian XO 仿真中验证其稳定双足行走能力。
2024-08-09 cs.RO cs.SY eess.SY
Provably Stabilizing Global-Position Tracking Control for Hybrid Models of Multi-Domain Bipedal Walking via Multiple Lyapunov Analysis
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Massachusetts Institute of Technology（麻省理工学院）；Purdue University（普渡大学）
针对双足机器人多域行走的全局位置跟踪控制难题，提出基于时间的非线性控制律，通过多李亚普诺夫分析证明稳定性，仿真验证了其在多场景下的良好精度与收敛性。
2023-04-27 cs.RO
Terrain-Aware Model Predictive Control of Heterogeneous Bipedal and Aerial Robot Coordination for Search and Rescue Tasks
Georgia Institute of Technology（佐治亚理工学院）；College of Engineering and Petroleum, Kuwait University（科威特大学工程与石油学院）
本研究提出了一种面向搜救任务的异构机器人协同规划框架，结合高斯过程学习的地形感知MPC为双足和空中机器人生成安全路径并估计目标位置，利用scLTL和基于共识的算法进行任务分配，仿真验证了其有效性。
2024-09-23 cs.RO
Whole-Body Dynamic Telelocomotion: A Step-to-Step Dynamics Approach to Human Walking Reference Generation
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Notre Dame（圣母大学）
该研究针对人形机器人遥操作中的动态同步与鲁棒性问题，提出将双足行走特性嵌入虚拟界面并集成反应式控制器的全身动态遥操作行走方法，经仿真验证可实现人机动态同步及多种行走控制效果。
2023-07-21 cs.RO
Reactive Stepping for Humanoid Robots using Reinforcement Learning: Application to Standing Push Recovery on the Exoskeleton Atalante
Wandercraft；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Université Paris-Dauphine, PSL（巴黎多芬大学，巴黎文理研究大学）
最先进的强化学习现在能够在模拟中学习双足机器人的多功能运动，平衡和推动恢复能力。然而，现实的差距大多被忽视，模拟结果很难转移到真正的硬件。要么是由于物理学过于简化和忽略了硬件限制而在实践中不成功，要么是规则性得不到保证，可能会发生意外的危险运动。本文提出了一种强化学习框架，能够学习强大的站立推恢复的双足机器人，顺利地转移到现实中，只提供瞬时本体感受的意见。通过结合初始终止条件和策略平滑条件，我们实现了稳定的学习，仿真到现实迁移和安全使用的策略没有记忆，也没有显式的历史。然后，奖励工程被用来提供如何保持平衡的见解。我们展示了它的性能在现实中的下肢医疗外骨骼Atalante。
2022-07-31 cs.RO
Humanoid Robot Co-Design: Coupling Hardware Design with Gait Generation via Hybrid Zero Dynamics
California Institute of Technology（加州理工学院）
针对双足机器人设计与控制器耦合、迭代评估成本高的问题，本文提出结合执行器与设计虚拟约束的HZD优化协同设计框架，可同步确定硬件参数与稳定步态，经ADAM机器人验证可实现高能效双足运动。
2023-08-21 cs.RO math.OC
TOLEBI: Learning Fault-Tolerant Bipedal Locomotion via Online Status Estimation and Fallibility Rewards
Department of Intelligence and Information, Graduate School of Convergence Science and Technology, Seoul National University（智能信息系，融合科学与技术研究生院，首尔国立大学）；Artificial Intelligence Institute (AIIS), Seoul National University（人工智能研究院（AIIS），首尔国立大学）；Advanced Institutes of Convergence Technology (AICT), Suwon（融合技术高级研究院（AICT），Suwon）
TOLEBI通过在线状态估计和易错奖励，首次提出基于学习的双足运动容错框架，提升机器人在现实环境中的运动稳定性与容错能力。
2026-03-04 cs.RO
Combining Simulations and Real-robot Experiments for Bayesian Optimization of Bipedal Gait Stabilization
步行控制器通常需要参数化，必须根据一些成本函数进行调整。为了估计这些参数，可以进行模拟，这是便宜的，但不完全代表现实。另一方面，真正的机器人实验更昂贵，并导致硬件磨损。在本文中，我们提出了一种方法相结合的模拟和真实的实验来学习步态稳定参数。我们使用贝叶斯优化方法，选择参数空间中信息量最大的点进行评估，基于熵的成本函数进行优化。在igus类人开放平台上的实验证明了该方法的有效性。
2018-09-14 cs.RO
I-CTRL: Imitation to Control Humanoid Robots Through Constrained Reinforcement Learning
Technische Universität Wien (TU Wien)（维也纳技术大学）；Institute of Robotics and Mechatronics (DLR), German Aerospace Center（德国航空航天中心机器人与机电一体化研究所）
针对人形机器人高保真动作难以物理落地的问题，本文提出I-CTRL框架，用有界残差强化学习约束非物理重定向动作，并以自动优先级调度器训练统一策略，实现跨五种机器人的高质量物理模仿。
2025-02-17 cs.AI cs.RO
Humanoid Loco-Manipulations Pattern Generation and Stabilization Control
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）
针对人形机器人在行走移动物体时受外部接触力影响的问题，提出一种基于线性倒立摆和运动发散分量的双足控制策略，通过规划质心轨迹并补偿操作力误差，在仿真和真实机器人实验中验证了其有效性。
2025-05-30 cs.RO cs.SY eess.SY
Autotuning Bipedal Locomotion MPC with GRFM-Net for Efficient Sim-to-Real Transfer
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Southern California（南加州大学）；Stanford University（斯坦福大学）
提出基于可微规划的DiffTune自动调参方法，结合GRFM-Net弥补低保真模型与实际控制效果的差异，有效缓解sim-to-real差距，使双足运动控制总损失最高降低40.5%。
2024-09-24 cs.AI cs.RO cs.SY
A Spiking Neural Architecture for Coordinating Arm and Locomotor Control
Centre for Theoretical Neuroscience（理论神经科学中心）；Dept. of Systems Design Engineering, University of Waterloo（滑铁卢大学系统设计工程系）；Applied Brain Research（应用脑研究公司）；Dept. of Nanotechnology Engineering, University of Waterloo（滑铁卢大学纳米技术工程系）；Dept. of Philosophy, University of Waterloo（滑铁卢大学哲学系）
提出一种基于脉冲神经网络（SNN）的架构，利用神经工程框架（NEF）和语义指针架构（SPA）协调仿人机器人的手臂力控制与双足运动，并通过基底节模型实现高层动作选择，首次在全身仿人平台上实现集成控制。
2026-06-09 cs.NE cs.RO
Real-Time Safe Bipedal Robot Navigation using Linear Discrete Control Barrier Functions
The Ohio State University（俄亥俄州立大学）
本研究提出一个统一的安全路径与步态规划框架，利用线性倒立摆模型和线性离散控制屏障函数，实现人形机器人在杂乱环境中的实时安全导航，并在仿真中验证了其有效性。
2024-11-06 cs.RO cs.SY eess.SY
Optimizing Bipedal Maneuvers of Single Rigid-Body Models for Reinforcement Learning
Collaborative Robotics and Intelligent Systems Institute, Oregon State University（俄勒冈州立大学协作机器人与智能系统研究所）
在这项工作中，我们提出了一种方法来生成降阶模型参考轨迹的一般类的高度动态机动的双足机器人用于模拟到真实的强化学习。我们的方法是利用一个单一的刚体模型（SRBM），离线优化库的轨迹被用作专家参考的奖励功能的学习政策。该方法将模型的动态丰富的旋转和平移行为转换为全阶机器人模型，并成功地转移到真正的硬件。SRBM的简单性允许快速迭代和细化行为，而基于学习的控制器的鲁棒性允许将高度动态的运动转移到硬件。%在这项工作中，我们引入了一组可转移性约束，修改SRBM动态实际的双足机器人硬件，我们的框架，为动态步进，转弯机动和跳跃，以及我们的方法来整合参考轨迹的强化学习政策的最佳轨迹。在这项工作中，我们引入了一组可转移性约束，修改SRBM动态实际的双足机器人硬件，我们的框架，为各种高度动态的演习，以及我们的方法来整合参考轨迹的高速运行强化学习政策的最佳轨迹。我们验证了我们的方法上的两足机器人卡西，我们成功地能够证明高度动态接地运行步态高达3.0米/秒。
2022-07-09 cs.RO
Episodic Learning for Safe Bipedal Locomotion with Control Barrier Functions and Projection-to-State Safety
Caltech（加州理工学院）
本文结合情景学习和控制障碍功能的设置双足运动。控制屏障功能提供的安全保证仅在完美的模型知识下有效;然而，在硬件平台上无法满足此假设。为了解决这个问题，我们利用投影到状态安全的概念与机器学习框架相结合，试图学习模型的不确定性，因为它会影响障碍函数。所提出的方法被证明在模拟和硬件上的琥珀-3 M双足机器人的背景下的踏脚石问题，这需要精确的脚的位置，同时动态行走。
2021-05-04 cs.RO
Telexistence and Teleoperation for Walking Humanoid Robots
IIT（意大利理工学院）；IJS（约瑟夫·斯特凡研究所）
本文提出了一种实现人形机器人的临场感和遥操作的体系结构。该架构结合了几种技术设置，方法，运动和操纵算法以一种新颖的方式，从而建立和扩展文献中的作品。这种方法允许人类操作员命令和电传机器人。因此，在这项工作中，我们处理的方面不仅涉及到拟议的架构结构和实施，而且在适应机器人和架构的能力方面的人类操作员的经验。此外，本体感觉方面和实施例的机器人进行了研究，通过具体的实验结果，这也是在某种程度上正式的，虽然高层次的方式处理。所提出的架构和实验，将用户的培训和经验的应用解决使用说明性的双足人形机器人，即iCub机器人。
2019-04-04 cs.RO
Using Simulation to Improve Sample-Efficiency of Bayesian Optimization for Bipedal Robots
Carnegie Mellon University（卡内基梅隆大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；University of Washington（华盛顿大学）
控制学习可以为新的机器人任务获得控制器，为自主智能体铺平道路。这种控制器可以是专家设计的策略，通常需要为每个任务场景调整参数。在这种情况下，贝叶斯优化（BO）已经成为一个很有前途的方法自动调整控制器。然而，当针对高维策略在硬件上执行BO时，样本效率可能是一个问题。在这里，我们开发了一种方法，利用模拟映射到域知情的空间的原始参数空间。在BO期间，控制器之间的相似性现在在这个变换的空间中计算。ATRIAS机器人硬件和另一个双足机器人仿真实验表明，我们的方法成功地在样本有效地学习控制器的多个机器人。另一个问题出现了：如果模拟与硬件有很大的不同怎么办？为了回答这个问题，我们创建越来越近似的模拟器，并研究增加模拟硬件不匹配对贝叶斯优化性能的影响。我们还将我们的方法与文献中的其他方法进行了比较，发现它更可靠，特别是在高失配的情况下。我们的实验表明，我们的方法成功地跨越不同的控制器类型，双足机器人模型和模拟器的保真度水平，使其适用于广泛的双足运动问题。
2018-05-07 cs.RO
Toward Intelligent Biped-Humanoids Gaits Generation
National School of Engineering of Sfax, University of Sfax（斯法克斯国家工程学院，斯法克斯大学）
在本章中，我们将重点介绍我们的实验研究自然人步行分析和介绍一个生物启发设计的简单的双足运动系统的人形机器人。灵感直接来自于对人体行走的分析和人体肌肉的运动机理与控制。提出了一种混合步态生成算法，用于解决传统的运动学和动力学方程，步态包括膝关节、踝关节和髋关节轨迹。该算法是一种基于粒子群优化范式的智能进化算法。这个建议可以用于小型人形机器人，膝盖，脚踝和臀部和至少六个自由度（DOF）。
2012-12-08 cs.RO
Toward an Expressive Bipedal Robot: Variable Gait Synthesis and Validation in a Planar Model
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Laban/Bartenieff Institute of Movement Studies（拉班/芭特妮芙动作研究学院）
人类是高效的，但在运动中却富有表现力。人类的行走行为可以用于在各种各样的表面上行走而不会跌倒，并且通过可变的步态风格将内部状态传达给其他人。这为创造类似表现力的双足机器人提供了灵感。为此，风格步态生成框架中的指南针式欠驱动的平面三维模型。步态设计是使用基于模型的轨迹优化与可变约束。对于有限范围的优化参数，可以为该模型生成360个步态的大集合。特别是，步长和成本函数是不同的，以产生不同的周期性步行步态。从这些得到的步态中，使用具身运动分析，用与人类活动相关的风格动词识别和标记6种步态，例如，"lope"和"saunter"。这些标签已经通过在Amazon Mechanical Turk中进行用户研究进行了验证，从而证明使用此框架可以生成视觉上可区分的有意义的步态。这为创建具有可变社交能力运动轮廓的双足人形机器人奠定了基础。
2018-09-13 cs.RO
Robust Bipedal Locomotion: Leveraging Saltation Matrices for Gait Optimization
California Institute of Technology（加州理工学院）
在双足机器人上生成鲁棒步行步态的能力是其在硬件上成功实现的关键。为此，这项工作扩展了混合零动态（HZD）的方法-传统上只占机车稳定性通过周期性约束下完美的影响事件-通过包含的突变矩阵，以期对合成强大的步行步态。通过联合最小化的扩展跃变矩阵和直接在步态生成过程中的机器人的扭矩的范数，我们证明了合成的步态比单独使用任何一项生成的步态更鲁棒;这些结果显示在模拟和硬件上的琥珀-3 M平面的机器人和Atalante下半身外骨骼（有和没有人类主体）。最终的结果是实验验证，结合跳跃矩阵与HZD方法产生更强大的双足步行在实践中。
2023-03-08 cs.RO
Bipedal Walking on Constrained Footholds with MPC Footstep Control
University of Pennsylvania（宾夕法尼亚大学）
提出一种基于MIQP的模型预测步态控制器，联合优化落脚面选择、落脚位置、踝关节扭矩和质心轨迹，使欠驱动双足机器人Cassie能在约束地形上保持平衡行走。
2023-09-14 cs.RO
Humanoid TeenSize Open Platform NimbRo-OP
Univ. of Bonn（波恩大学）
近年来，在类人联盟的KidSize类中引入负担得起的平台对足球机器人的性能产生了积极的影响。然而，缺乏现成的大型机器人，严重影响了青少年和成人尺寸的参与者数量，从而影响了研究的进展，重点是更大重量和尺寸的机器人所带来的挑战。本文介绍了第一个硬件版本的低成本的人形TeenSize开放平台的研究，第一个软件版本，和基于操作系统的软件开发的现状。NimbRo-OP机器人的设计易于制造、组装、维修和修改。它配备了广角摄像头，充足的计算能力和足够的扭矩，以实现全身运动，如动态双足运动，踢和起床。
2018-09-28 cs.RO
A ROS-based Software Framework for the NimbRo-OP Humanoid Open Platform
University of Bonn（波恩大学）
在过去的几年里，已经开发了许多成功的人形平台，包括Nao和DARwIn-OP，这两个平台都被许多研究小组用于研究双足行走，全身运动和人机交互。NimbRo-OP是一个开放的人形平台，由波恩大学的NimbRo团队开发。这个平台比前面提到的两个人形机器人大得多，有可能与更人性化的环境进行交互。本文介绍了一种基于机器人操作系统（ROS）中间件的NimbRo-OP软件框架。该软件提供了硬件抽象、视觉感知和行为生成的功能，并已用于实现基本的足球技能。这些机器人在2013年机器人世界杯上展示，作为人形联盟比赛获胜队的一部分。
2018-09-28 cs.RO
Robust Fall Recovery for Armless Bipedal-Wheeled Robots Via Force-Guided Learning
Beijing Institute of Technology（北京理工大学）
针对无臂双轮足机器人无法借助外部支撑恢复站立的问题，提出力引导教师-学生框架FTSR，通过约束强化学习逐步减少外力依赖，实现从摔倒到稳定行走的鲁棒恢复。
2026-06-15 cs.AI cs.RO
Comparison Study of Well-Known Inverted Pendulum Models for Balance Recovery in Humanoid Robot
IEETA（电子与信息工程研究院）；University of Aveiro（阿威罗大学）
双足机器人由于其复杂的运动学和高维的状态空间动力学而基本上是不稳定的，因此稳定行走的控制和生成是一个复杂的课题，并且仍然是机器人界的活跃课题之一。如今，有许多类人机器人执行稳定的行走，但很少有在推动下表现出有效的推动恢复。在本文中，我们首先回顾了更常用的抽象动力学模型的人形机器人，这是基于倒立摆，并显示这些模型可以用来提供行走的人形机器人，以及如何分层控制结构可以淡化人形行走的复杂性。其次，审查模型一起比较，不仅在分析的方式，但也通过执行几个数值模拟中的推恢复的情况下，使用\mbox{MATLAB}。这些理论和模拟研究定量比较这些模型恢复平衡。结果表明，增强版的线性倒立摆加飞轮是最有能力的动力学模型，以恢复稳定的机器人，即使在非常具有挑战性的情况下。
2019-06-05 cs.RO
A Single-Planner Approach to Multi-Modal Humanoid Mobility
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人学院）
在这项工作中，我们提出了一种方法来规划人形移动。类人移动性是一个具有挑战性的问题，因为人形机器人的配置空间大得难以处理，特别是如果机器人能够执行许多类型的运动。例如，人形机器人可能能够执行双足行走、爬行和攀爬等任务。我们的方法是在一个搜索过程中计划所有这些任务。这允许搜索在任何点对机器人的所有能力进行推理，并导出完整的解决方案，从而保证计划是可行的。一个关键的观察是，我们通常可以粗略地将移动任务分解为一系列较小的任务，并将规划工作集中在更小的搜索空间上。为此，我们利用最近开发的框架规划与自适应维度的结果，并将现有的控制器的能力直接到规划过程中。由此产生的规划器也可以在执行的同时以交错的方式运行，从而大大减少了空闲时间。
2018-01-30 cs.RO
Dynamic Walking: Toward Agile and Efficient Bipedal Robots
California Institute of Technology（加州理工学院）
双足机器人的动态行走已经从科幻小说中的想法发展成为现实。这是由于在三个关键领域的持续进展：对运动的数学理解，通过优化编码这种数学的计算能力，以及能够在实践中实现这种理解的硬件。在这种情况下，这篇评论文章概述了端到端的过程中，已被证明是有效的，在文献中实现动态行走的双足机器人的方法。我们首先介绍运动的数学模型，从捕获基本行走行为的降阶模型到编码全阶连续动态和离散脚步撞击动态的混合动力系统。这些模型通过（非线性）优化问题形成步态生成的基础。最后，模型及其生成的步态在实时控制的上下文中合并，其中步行行为被转换为硬件。所提出的概念在整个仿真中进行了说明，并强调了在多个步行平台上的实验实例，以证明在敏捷和高效的双足机器人上实现动态步行的能力。
2020-10-15 cs.RO
Sim-to-Real Learning for Humanoid Box Loco-Manipulation
Collaborative Robotics and Intelligent Systems Institute, Oregon State University（俄勒冈州立大学协作机器人与智能系统研究所）
本研究针对人形机器人箱子移动操作需全身协调并保持平衡的难题，提出仿真到现实的强化学习方法，为Digit机器人训练拾取搬运技能，整合系统实现多规格箱子的桌间转移，并验证了仿真到现实的成功迁移。
2023-10-04 cs.RO
Learning Motion Skills with Adaptive Assistive Curriculum Force in Humanoid Robots
受人类学习技能依赖外部支持的启发，提出A2CF框架，通过双智能体系统施加自适应辅助课程力引导仿人机器人学习，显著加快收敛速度并降低失败率，最终获得无需支持的稳健策略。
2025-06-29 cs.RO
A Gait Driven Reinforcement Learning Framework for Humanoid Robots
本文提出了一种基于步态驱动的强化学习框架，用于双足机器人，通过设计奖励函数提升运动性能。
2026-02-02 cs.RO
System Identification of Thrust and Torque Characteristics for a Bipedal Robot with Integrated Propulsion
Northeastern University（东北大学）
本论文针对带集成推进装置的双足机器人Harpy，研究其推力与扭矩特性的系统辨识，通过仿真预测、推进器集成测试及电机扭矩表征，提升系统的鲁棒性、可控性与可预测性。
2025-04-28 cs.RO cs.SY eess.SY
Dynamic Multimodal Locomotion: A Quick Overview of Hardware and Control
Northeastern University（东北大学）
针对双足机器人易受地形、障碍等影响的问题，本文研究带6关节2推进器的Harpy双足机器人的硬件制造、推进器辅助行走仿真及固件通信开发，以实现多模态动态运动。
2023-08-31 cs.RO cs.SY eess.SY
FootstepNet: an Efficient Actor-Critic Method for Fast On-line Bipedal Footstep Planning and Forecasting
Univ. Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；ENS Rennes（雷恩高等师范学院）
提出FootstepNet，一种基于深度强化学习的Actor-Critic方法，用于快速在线双足机器人步态规划与预测，无需启发式规则，计算需求低，并在仿真和RoboCup 2023竞赛中验证了其有效性。
2024-12-17 cs.AI cs.RO
Modeling and Numerical Analysis of Kangaroo Lower Body based on Constrained Dynamics of Hybrid Serial-Parallel Floating-Base Systems
PAL Robotics（PAL机器人公司）
本文针对PAL Robotics开发的袋鼠双足机器人下肢，提出基于约束动力学的浮动基座建模方法，并通过与TALOS对比及仿真和实物测试验证其在足部惯量和质心角动量方面的改进。
2024-02-22 cs.RO
Toward Autonomous Driving by Musculoskeletal Humanoids: A Study of Developed Hardware and Learning-Based Software
The University of Tokyo（东京大学）
本文研究肌肉骨骼人形机器人Musashi在自动驾驶中的应用，利用其冗余传感器和柔性身体结构完成座椅乘坐、踏板踩踏和方向盘操作，并验证了硬件与学习型软件协同实现自动驾驶的可行性。
2024-06-08 cs.RO
Online Non-linear Centroidal MPC for Humanoid Robot Locomotion with Step Adjustment
Istituto Italiano di Tecnologia（意大利理工学院）；University of Genoa（热那亚大学）；University of Manchester（曼彻斯特大学）
本文提出了一种用于人形机器人运动的具有在线步距调整能力的非线性模型预测控制器。所提出的控制器考虑系统的重心动力学来计算所需的接触力和扭矩以及接触位置。从基于简化模型的双足步行架构，所提出的方法考虑了减少质心模型，从而使机器人执行高度动态运动，同时保持控制问题仍然在线治疗。我们表明，所提出的控制器可以自动调整接触位置在单，双支持阶段。然后，测试的整体方法与模拟单腿和双腿系统执行跳跃和运行任务，分别。最后，我们验证了所提出的控制器上的位置控制的人形机器人iCub。结果表明，该策略可以防止机器人跌倒，而步行和推动外力高达40牛顿1秒施加在机器人手臂。
2022-03-10 cs.RO
