Bipedal locomotion using variable stiffness actuation
University of Twente（特文特大学）
在机器人技术中，稳健且节能的双足运动仍然是一个具有挑战性的课题。为了解决这一领域的问题，我们可以通过研究人类运动从大自然中获得灵感。弹簧加载倒立摆（SLIP）模型已被证明是一个很好的模型，用于此目的。然而，人类肌肉骨骼系统使我们能够主动调节腿部刚度，例如当在具有不规则和意外的行走表面高度变化的崎岖地形中行走时。在传统的基于SLIP的模型中没有考虑这种改变腿部刚度的能力，因此本文探讨了双足运动中主动腿部刚度变化的潜在作用。它表明，概念SLIP模型可以迭代扩展到更接近于现实（即，非理想）步行者，并且可以设计反馈控制策略，以在这些扩展模型中再现SLIP行为。我们发现，这些扩展模型实现了运输成本相当于人类行走，这表明，主动腿刚度变化起着重要的作用，在人类运动，以前没有捕获的SLIP模型。这项研究的结果表明，主动腿刚度适应是一个很有前途的方法，实现更节能和强大的双足步行机器人。
2017-06-01 cs.RO
Multi-Terrain Mastery: A Comprehensive Controller for Bipedal Locomotion
本研究提出一种多地形双足运动控制器，通过新冲击映射和实时控制结构，在Cassie机器人上实现对多种复杂地形的鲁棒导航。
2026-09-29 cs.RO
Robust-Locomotion-by-Logic: Perturbation-Resilient Bipedal Locomotion via Signal Temporal Logic Guided Model Predictive Control
Georgia Institute of Technology（佐治亚理工学院）
本文首次将信号时序逻辑引导的模型预测控制用于双足运动，通过解析稳定性度量和数据驱动碰撞约束实现抗平移与旋转扰动的鲁棒恢复，并在Cassie机器人上完成仿真与硬件验证。
2024-11-19 cs.RO
Constrained Reinforcement Learning for Unstable Point-Feet Bipedal Locomotion Applied to the Bolt Robot
LAAS-CNRS, Université de Toulouse（LAAS-CNRS，图卢兹大学）；Artificial and Natural Intelligence Toulouse Institute（图卢兹人工智能与自然智能研究院）
针对点足双足机器人Bolt的不稳定问题，提出基于约束强化学习与域随机化的控制方法，实现平衡、速度及抗扰动，并提升鲁棒性。
2025-08-04 cs.RO
Signal Temporal Logic-Guided Model Predictive Control for Robust Bipedal Locomotion Resilient to Runtime External Perturbations
Georgia Institute of Technology（佐治亚理工学院）
本文提出一种基于信号时序逻辑引导的模型预测控制框架，通过编码任务规范生成具有形式化保证的最优控制序列，有效解决双足机器人在不可预见外部扰动下的恢复与运动稳定性问题。
2023-10-17 cs.RO
Data-Driven Latent Space Representation for Robust Bipedal Locomotion Learning
Ohio State University（俄亥俄州立大学）；Southern University of Science and Technology (SUSTech)（南方科技大学）
提出结合自动编码器潜在状态表示与RL策略的双足行走框架，实现解耦步态编码，并在仿真中展现优于模板模型的鲁棒性与泛化能力。
2023-09-27 cs.RO
Robustness: a new SLIP model based criterion for gait transitions in bipedal locomotion
University of Zurich（苏黎世大学）；Ghent University（根特大学）；Fondazione Santa Lucia（圣卢西亚基金会）
双足运动是一种现象，仍然没有一个基本的和简洁的数学理解。目前已有一些概念模型，可以反映这一进程的某些相关方面，但它们的全部解释力尚未用尽。在当前的研究中，我们引入了鲁棒性标准，该标准定义了在不精确的攻角下采取步骤时稳定运动的条件。直觉上，更高精度的必要性表明难以以给定的步态继续移动。我们表明，弹簧加载的倒立摆模型，在鲁棒性标准下，是一致的，与以前报道的研究结果，在人类运动的注意力需求。这个标准允许在跑步和步行之间转换，其中许多保持前进速度。过渡的模拟预测弗劳德数低于在人类中观察到的，然而，该模型令人满意地再现了几个生物力学指标，如髋关节偏移，步态占空因数和垂直地面反作用力曲线。此外，我们确定可逆的强大的步行运行过渡，这使得系统执行一个强大的版本的跳跃步态。这些发现促进了弹簧加载倒立摆模型作为统一的框架，为理解双足运动。
2014-03-04 cs.RO
Walking-by-Logic: Signal Temporal Logic-Guided Model Predictive Control for Bipedal Locomotion Resilient to External Perturbations
Georgia Institute of Technology（佐治亚理工学院）
本文首次将信号时序逻辑引导的模型预测控制用于双足运动推挤恢复，生成同时满足任务规范并最大化鲁棒性的安全轨迹，在交叉腿动作和踏脚石选择等任务中优于现有控制器。
2023-09-22 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
Integrating Reconfigurable Foot Design, Multi-modal Contact Sensing, and Terrain Classification for Bipedal Locomotion
Georgia Institute of Technology（佐治亚理工学院）
本文提出一种集成多模态传感器的仿生可重构足部设计，通过实时地形分类控制足部节段，以提升双足机器人在非结构化地形上的接触稳定性与自适应运动能力。
2023-04-19 cs.RO
RoMoCo: Robotic Motion Control Toolbox for Reduced-Order Model-Based Locomotion on Bipedal and Humanoid Robots
Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院）
RoMoCo是一个开源C++工具箱，通过统一的API集成降阶模型规划器与全身控制器，支持双足和仿人机器人快速原型与可复现基准测试，并在多种机器人上经仿真和硬件验证。
2025-09-23 cs.RO
From Human Walking to Bipedal Robot Locomotion: Reflex Inspired Compensation on Planned and Unplanned Downsteps
Delft University of Technology（代尔夫特理工大学）；California Institute of Technology（加州理工学院）
人类能够以非凡的敏捷和轻松来协商降级行为--无论是计划内的还是计划外的。本文的目标是系统地研究这种人类行为的双足步行机器人的翻译，即使形态是固有的不同。具体地说，我们从人类数据开始，其中采取了计划内和计划外的下降步骤。我们从降阶建模的角度来分析这些数据的人，编码的质量中心（CoM）的运动学和接触力，这使得这些行为转化为相应的降阶模型的双足机器人。我们嵌入到全阶动力学的双足机器人通过非线性优化为基础的控制器的行为。最终的结果是演示的计划和计划外的下坡模拟欠驱动步行机器人。
2022-09-07 cs.RO
Learning Task Space Actions for Bipedal Locomotion
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）；Agility Robotics
最近的工作已经证明了强化学习（RL）的成功，为真正的机器人训练双足运动策略。然而，这项先前的工作，集中在学习关节协调控制器的基础上的一个目标，以下关节轨迹已经可用的控制器。因此，很难训练这些方法来实现腿运动的更高级别的目标，例如简单地指定期望的末端执行器足部运动或地面反作用力。在这项工作中，我们提出了一种方法，用于将机器人系统的知识集成到RL中，以允许在任务空间行动的水平上学习的脚设定点。特别是，我们将学习任务空间策略与基于模型的逆动力学控制器相结合，该控制器将任务空间动作转换为关节级控制。有了这个自然的动作空间学习运动，该方法是更有效的样本，并产生所需的任务空间动态相比，学习纯粹的关节空间动作。我们在仿真中展示了这种方法，并表明学习到的策略能够转移到真正的双足机器人Cassie。这一结果鼓励进一步研究将双足控制技术纳入学习过程的结构中，以实现动态行为。
2021-05-06 cs.RO
Learning Vision-Based Bipedal Locomotion for Challenging Terrain
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）
针对无视觉双足行走控制器无法预判适配复杂地形的问题，提出基于高度图预测的全学习视觉双足行走系统，通过仿真训练与域随机化实现无微调的sim-to-real迁移，为相关领域首个成功案例。
2024-07-08 cs.RO
Bipedal locomotion using geometric techniques
Universidad de Vigo（维戈大学）
本文提出一种完全基于几何方法求解逆运动学的双足行走算法，通过简化问题并从基础解释数学概念，避免使用矩阵系统和复杂技术，以简单直观的方式实现行走过程求解。
2024-08-29 cs.RO
Planar Bipedal Locomotion with Nonlinear Model Predictive Control: Online Gait Generation using Whole-Body Dynamics
ETH Zürich（苏黎世联邦理工学院）；California Institute of Technology（加州理工学院）
具有输入约束和欠驱动的双足机器人实时生成动态行走的能力具有在动态、复杂和非结构化环境中实现运动的潜力。然而，双足机器人的高维特性限制了全阶刚体动力学的使用，离线合成，然后在线跟踪步态。在这项工作中，我们开发了一个在线的非线性模型预测控制的方法，利用全阶动力学实现不同的步行行为。此外，这种方法可以通过期望的参考与离线合成的步态相结合，以实现更短的预测范围和快速的在线重新规划，弥合在线反应控制和离线步态规划之间的差距。我们证明了所提出的方法，无论有和没有离线步态，在模拟和硬件上的平面机器人琥珀-3M。
2022-11-03 cs.RO
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
Fast Online Planning for Bipedal Locomotion via Centroidal Model Predictive Gait Synthesis
Beijing Research Institute of UBTECH Robotics（优必选机器人北京研究院）；Tsinghua University（清华大学）
将双足步行的全身运动规划和步行时间规划问题转化为一个模型预测控制（MPC）问题，需要在线求解一系列优化问题。虽然直接解决这些问题是非常耗时的，我们提出了一个预测步态合成器提供即时的解决方案。基于全维模型，离线构建了不同速度和周期的步态库。该步态合成器基于质心动力学的在线预测，通过对步态库进行合成，生成1kHz的实时步态。我们证明了所构造的MPC问题可以确保CoM状态的一致最终有界性（UUB），并表明我们提出的步态合成器可以为MPC优化问题提供可行的解决方案。仿真和实验结果与8自由度（DoF）的双足机器人提供这种方法的性能和鲁棒性。
2021-05-21 cs.RO
Quadratic Programming Optimization for Bio-Inspired Thruster-Assisted Bipedal Locomotion on Inclined Slopes
SiliconeSynapse Labs（硅突触实验室）；Northeastern University（东北大学）；California Institute of Technology（加州理工学院）
本文针对Harpy双足机器人，提出结合接触约束二次规划与全身控制的推进器辅助斜坡行走方法，通过仿真验证其在倾斜坡面上的运动性能。
2024-11-20 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
Optimal Reduced-order Modeling of Bipedal Locomotion
University of Pennsylvania（宾夕法尼亚大学）
腿部运动的最新方法广泛依赖于线性倒立摆（LIP）和弹簧加载倒立摆（SLIP）等模型的使用，这些模型很受欢迎，因为它们的简单性使各种工具能够用于规划，控制和分析。然而，它们不可避免地限制了执行复杂任务或敏捷机动的能力。在这项工作中，我们的目标是自动合成模型，保持低维，但保留的高维系统的能力。例如，如果要将小程度的复杂性恢复到LIP、SLIP或类似模型，则我们的方法会发现优化性能的额外复杂性的形式。在本文中，我们定义了一类降阶模型，并提供了一个算法优化这一类。为了证明我们的方法，我们优化模型的步行速度和地面倾斜的范围内，五连杆模型和Cassie双足机器人。
2019-09-23 cs.RO
Impact Invariant Control with Applications to Bipedal Locomotion
University of Pennsylvania（宾夕法尼亚大学）
当足式机器人冲击它们的环境时，它们在很短的时间内经历它们的速度的大的变化。测量这些速度并将反馈应用于这些速度是一项挑战，而且由于撞击模型和撞击时间的不确定性而更加复杂。这项工作提出了一个通用的框架，用于适应反馈控制的影响，通过投影的控制目标的子空间是不变的影响事件。所得到的控制器是鲁棒的不确定性的影响事件，同时保持最大的控制权的影响不变的子空间。我们演示了实用的投影上的步行控制器的平面五连杆的机器人和跳跃控制器的兼容的3D双足机器人，卡西。我们的方法的有效性被证明是很好的翻译硬件。
2021-10-01 cs.RO
Closing the Loop on the Poppy Humanoid: Bipedal Locomotion with Linear-Quadratic Control and Learned Cost Functions
Syracuse University（雪城大学）
本文针对开源低成本的Poppy人形机器人，提出结合线性二次调节器（LQR）与学习二次代价函数的闭环行走控制器，经实验验证其行走性能较开环轨迹回放有统计学意义的显著提升。
2026-08-28 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
Contingency Model Predictive Control for Bipedal Locomotion on Moving Surfaces with a Linear Inverted Pendulum Model
Motional AD, LLC（Motional AD有限责任公司）；Rutgers University（罗格斯大学）
针对移动表面上双足行走的平衡控制难题，提出基于线性倒立摆模型的应急模型预测控制（CMPC），通过纳入最坏情况表面运动，在仿真中验证了其优于常规MPC的可行性与性能。
2024-04-18 cs.RO
Bipedal Safe Navigation over Uncertain Rough Terrain: Unifying Terrain Mapping and Locomotion Stability
Georgia Institute of Technology（佐治亚理工学院）；Kuwait University（科威特大学）
针对不确定崎岖地形下双足机器人导航中地形建图与运动稳定性耦合的问题，提出分层感知运动动力学的采样导航规划器，结合GP地形学习与新轨迹评估指标，在Digit仿真中验证了有效性。
2024-04-15 cs.RO
Template Model Inspired Task Space Learning for Robust Bipedal Locomotion
Ohio State University（俄亥俄州立大学）；Southern University of Science and Technology (SUSTech)（南方科技大学）
本文提出融合RL高层任务空间规划与模型低层控制的双足运动框架，借鉴ALIP设计MDP，在Rabbit、Walker2D和Digit上验证了其高效、鲁棒与泛化优势。
2023-09-27 cs.RO
The Duke Humanoid: Design and Control For Energy Efficient Bipedal Locomotion Using Passive Dynamics
Duke University（杜克大学）
本文介绍开源10自由度人形机器人 Duke Humanoid，并通过利用被动动力学的端到端强化学习实现可零样本部署的节能行走，真实世界运输成本降低31%。
2025-03-14 cs.RO
Learning Bipedal Locomotion on Gear-Driven Humanoid Robot Using Foot-Mounted IMUs
Sony Group Corporation（索尼集团公司）；Sony Interactive Entertainment Inc.（索尼互动娱乐公司）
本文提出一种基于足部IMU的强化学习框架，结合对称数据增强和随机网络蒸馏，在无扭矩传感器的高减速比人形机器人上实现了复杂地形下的快速稳定双足运动，并通过EVAL-03硬件实验验证了其在非刚性表面和突发环境变化下的有效性。
2025-04-11 cs.RO
Online Bipedal Locomotion Adaptation for Stepping on Obstacles Using a Novel Foot Sensor
University of Tehran（德黑兰大学）；École polytechnique fédérale de Lausanne（洛桑联邦理工学院）
在本文中，我们提出了一种新的控制架构的倾斜障碍物上的双足运动的在线自适应。特别是，我们介绍了一种新颖的，具有成本效益的，多功能的脚传感器来检测机器人的脚到地面（碰撞传感器）的接近度。通过采用这种传感器，反馈控制器的实施，以减少在摆动过渡到站立阶段或倾斜的看不见的障碍物上浸泡的冲击力。与基于接触反作用力的传统传感器相比，该传感器在脚接触障碍物之前检测到地面或障碍物的距离，从而提供预测障碍物的预测信息。所提出的碰撞传感器的控制器与另一个导纳控制器相互作用，以调整腿的长度。步行实验表明，成功的运动在看不见的倾斜障碍物，而不降低运动速度与倾斜角为12。脚的位置误差会导致与地面的硬碰撞，这是由于链接和连接的偏转（由大学工具制造）引起的累积误差造成的。拟议的框架大大减少了脚对地面的影响。
2022-12-27 cs.RO
MILD: Tractable Terrain Modeling for Learning Improved Bipedal Locomotion on Deformable Surfaces
The University of Hong Kong（香港大学）；Beijing Institute of Technology（北京理工大学）；The University of Tokyo（东京大学）
本文提出MILD地形建模方法，结合物理离散元接触求解器与深度强化学习训练地形感知双足运动控制器，可提升机器人在可变形表面的运动适应性。
2026-08-21 cs.RO
Highly dynamic locomotion control of biped robot enhanced by swing arms
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences（中国科学院香港创新研究院）；University of Chinese Academy of Sciences（中国科学院大学）
从生物力学的角度来看，摆臂具有较大的角动量控制空间，对双足机器人实现高动态运动具有不可替代的作用。由于缺乏合适的运动控制策略来完美地集成建模和控制，很少有双足机器人利用摆臂及其多自由度冗余特性。提出了一种将双足机器人建模为飞轮-弹簧加载倒立摆（F-SLIP）提取摆臂特征并利用全身控制器（WBC）实现这些特征的控制策略，并针对双足机器人的高动态运动提出了一种包括敏捷性、稳定性和能耗3个方面的评价体系。设计了多组仿真实验，并根据评价体系分析了双足机器人Purple（紫气东来）V1.0在跳跃运动中摆臂的作用。结果表明，紫色的敏捷性提高了10%以上，稳定时间减少了2倍，能量消耗减少了20%以上。
2022-08-17 cs.RO
Sim-to-Real Transfer in Deep Reinforcement Learning for Bipedal Locomotion
Department of Computer Science, University College London（计算机科学系，伦敦大学学院）
本章系统分析双足运动深度强化学习仿真到现实迁移的差距来源，提出通过提高仿真保真度和强化策略鲁棒性两种互补方法，并综合为战略框架以指导稳健解决方案的开发与评估。
2025-11-09 cs.RO
Robust Bipedal Locomotion Control Based on Model Predictive Control and Divergent Component of Motion
University of Tehran（德黑兰大学）
在本文中，以前的工作模型预测控制（MPC）和运动的发散分量（DCM）的双足步行控制扩展。为此，我们采用了一个单一的MPC，它使用的压力中心（CoP）的操纵，步骤调整，和质心力矩枢轴（CMP）调制的组合，设计一个强大的步行控制器。此外，我们利用时变DCM的概念，推广我们的行走控制器在不平坦的表面行走。使用我们的计划，一个通用的和强大的行走控制器的设计，可以实现不同的控制机构的机器人，在各种环境下行走，例如不平坦的地形或表面上的一个非常有限的可行区域的步进。所提出的方法的有效性进行了验证，通过模拟不同的情况下，并与最先进的比较。
2017-02-28 cs.RO
Heuristic Step Planning for Learning Dynamic Bipedal Locomotion: A Comparative Study of Model-Based and Model-Free Approaches
Moscow Institute of Physics and Technology（莫斯科物理技术学院）
本文提出一种基于启发式步态规划的学习方法，通过比较模型驱动和模型无关方法，展示了在动态双足运动中实现稳定行走的可行性。
2025-11-27 cs.RO
VMTS: Vision-Assisted Teacher-Student Reinforcement Learning for Multi-Terrain Locomotion in Bipedal Robots
School of Automation, Southeast University（自动化学院，东南大学）
本文提出VMTS方法，通过专家混合教师-学生网络和地形选择策略，结合对齐损失，提升双足机器人在多地形下的视觉辅助强化学习运动能力，并在Limx Dynamic P1上验证了其可行性与鲁棒性。
2025-07-18 cs.RO
Infer and Adapt: Bipedal Locomotion Reward Learning from Demonstrations via Inverse Reinforcement Learning
Georgia Institute of Technology（佐治亚理工学院）
本文研究复杂地形双足运动中的专家奖励学习问题，提出基于逆强化学习的奖励函数推断与分析算法，并证明所学奖励能提升策略在未知地形上的行走适应性。
2023-09-28 cs.LG cs.RO
Learning Multimodal Bipedal Locomotion and Implicit Transitions: A Versatile Policy Approach
University of Southern California（南加州大学）
本文提出利用自动编码器潜在编码与自适应采样训练单一多模态双足运动策略，并结合任务规划器在复杂地形上快速生成平滑过渡的类跑酷动作。
2023-08-12 cs.RO
Reward-Adaptive Reinforcement Learning: Dynamic Policy Gradient Optimization for Bipedal Locomotion
Sun Yat-sen University（中山大学）；University of Oxford（牛津大学）
非静态双足机器人的控制是具有挑战性的，由于复杂的动力学和多准则优化。最近的工作已经证明了深度强化学习（DRL）对模拟和物理机器人的有效性。在这些方法中，来自不同标准的奖励通常被求和以学习单个价值函数。然而，这可能会导致混合奖励之间的依赖性信息的丢失，并导致次优策略。在这项工作中，我们提出了一种新的奖励自适应强化学习的运动，允许控制策略，同时优化多个标准，使用动态机制。所提出的方法适用于多头评论家学习一个单独的价值函数为每个奖励组件。这导致混合策略梯度。我们进一步提出了动态权重，允许每个组件以不同的优先级优化策略。这种混合和动态的策略梯度（HDPG）设计使得代理学习更有效。我们表明，所提出的方法优于总结了奖励方法，并能够转移到物理机器人。仿真结果和MuJoCo仿真结果进一步证明了HDPG的有效性和通用性。
2021-12-22 cs.RO
Robust bipedal locomotion on flowable slopes via foot-driven terrain manipulation
Georgia Institute of Technology（佐治亚理工学院）；Northeastern University（东北大学）
研究双足机器人在颗粒斜坡上的运动控制问题，通过研究带防滑钉足部的地面动力学，发现中等防滑钉间距利于行走，据此设计可调整防滑钉深度的足部，应用于大小不同的双足机器人，提出以肢体为中心调节地形相互作用的新控制方法。
2026-07-14 cs.RO
Learning Terrain Aware Bipedal Locomotion via Reduced Dimensional Perceptual Representations
Electrical and Computer Engineering, The Ohio State University（电气与计算机工程系，俄亥俄州立大学）；Mechanical and Aerospace Engineering, The Ohio State University（机械与航空航天工程系，俄亥俄州立大学）
通过降维感知表示学习地形感知双足运动，提升实时步态生成的鲁棒性和适应性。
2025-12-15 cs.RO
LIPM-Guided Reinforcement Learning for Stable and Perceptive Locomotion in Bipedal Robots
School of Automation and Intelligent Manufacturing (AIM), Southern University of Science and Technology（自动化与智能制造学院，南方科技大学）；Department of Civil and Environmental Engineering, The Hong Kong University of Science and Technology（土木与环境工程系，香港科技大学）；Department of Mechanical Engineering, The University of Hong Kong（机械工程系，香港大学）；Zhejiang University-University of Illinois Urbana-Champaign Institute (ZJUI), Zhejiang University（浙江大学-伊利诺伊大学厄巴纳-香槟分校联合研究所，浙江大学）；LimX Dynamics, Shenzhen, China（深圳LimX动力有限公司）
本文提出受LIPM启发的奖励设计，结合RFM与双评论家架构，使双足机器人在室外复杂地形中实现稳定、鲁棒且具备感知能力的运动。
2025-10-19 cs.RO
RL-augmented MPC Framework for Agile and Robust Bipedal Footstep Locomotion Planning and Control
Universitat Politècnica de Catalunya (UPC)（加泰罗尼亚理工大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出结合MPC与RL的双足落脚点规划控制框架，利用学习策略弥合简化模型与全阶系统差距，在DRACO 3机器人上验证了动态运动性能的显著提升。
2024-07-25 cs.RO
Sim-to-Real Learning for Bipedal Locomotion Under Unsensed Dynamic Loads
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）
最近关于双足运动的模拟到真实学习的工作已经证明了在各种地形上的鲁棒性和敏捷性的新水平。然而，这项工作，以及大多数先前的双足运动工作，没有考虑运动下的各种外部负载，可以显着影响整个系统的动力学。在许多应用中，机器人将需要在广泛的潜在动态负载下保持稳健的运动，例如拉动推车或搬运晃动液体的大型容器，理想情况下不需要额外的负载传感能力。在这项工作中，我们探索的能力，强化学习（RL）和仿真到现实迁移的动态负载下的双足运动只使用本体感受反馈。我们表明，先前的RL策略训练卸载运动失败的一些负载，简单的训练负载的背景下，足以导致成功和改进的政策。我们还比较了每个负载的训练专用策略与所有考虑的负载的单个策略，并分析了由此产生的步态如何变化以适应不同的负载。最后，我们展示了仿真到现实迁移，这是成功的，但显示了更广泛的仿真到现实的差距比以前的卸载工作，这指向有趣的未来研究。
2022-04-09 cs.LG 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
No More Blind Spots: Learning Vision-Based Omnidirectional Bipedal Locomotion for Challenging Terrain
Collaborative Robotics and Intelligent Systems Institute, Oregon State University（协作机器人与智能系统研究所，俄勒冈州立大学）
本文提出一种基于视觉的全方位双足运动学习框架，通过减少渲染成本提升在复杂地形中的运动能力，首次展示其在多样化地形中的适应性。
2026-03-16 cs.AI cs.RO
Fast Kinodynamic Bipedal Locomotion Planning with Moving Obstacles
University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们提出了一个基于采样的两足机器人在复杂环境中的kinodynamic规划框架。不像其他的足迹规划器，通常计划足迹的位置和在单独的步骤，我们同时处理两者。该方法的三个优点是（1）在基于由线性倒立摆模型动力学确定的路线的持续时间选择脚步位置的同时区分替代路线的能力，（2）通过时间执行碰撞检查的能力，使得在不避开移动障碍物的整个轨迹的情况下防止与移动障碍物的碰撞，以及（3）指定用于所述微处理器的最小前进速度的能力。为了生成一个动态一致的步行行为的描述，我们利用相空间规划。为了规划一个无碰撞的路线走向目标，我们适应规划策略，从非完整轮式机器人收集一系列的PSP的输入。这使我们能够有效地近似动力学和运动学约束的双足运动，应用基于采样的规划算法，并使用杜宾的路径作为转向方法连接配置空间中的两个点。算法的结果被发送到全身控制器以生成全身动态行走行为。
2018-07-09 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
Nonlinear Model Predictive Control for Robust Bipedal Locomotion: Exploring Angular Momentum and CoM Height Changes
School of Power and Mechanical Engineering, Wuhan University（武汉大学动力与机械学院）；Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳人工智能与机器人研究院）；School of Mechanical Engineering, University of Leeds（利兹大学机械工程学院）；School of Informatics, The University of Edinburgh（爱丁堡大学信息学院）；Humanoid and Human Centered Mechatronics Research Line, Istituto Italiano di Tecnologia（意大利技术研究院人形与以人为中心的机电一体化研究线）
本研究提出一种具备步位调整、质心高度变化和角动量自适应能力的新型非线性模型预测控制框架，通过非线性倒立摆加飞轮模型构建二次约束二次规划问题并快速求解，生成鲁棒行走模式，经仿真验证了多场景双足行走适应性。
2021-01-25 cs.RO
Learning Memory-Based Control for Human-Scale Bipedal Locomotion
Collaborative Robotics and Intelligent Systems Institute（协作机器人与智能系统研究院）；Oregon State University（俄勒冈州立大学）
控制一个非静态稳定的伺服电机是一个困难的问题，主要是由于复杂的混合动力学。最近的工作已经证明了强化学习（RL）的有效性，基于模拟的神经网络控制器的训练，成功地转移到真正的两足动物。然而，现有的工作主要使用简单的无记忆网络架构，即使更复杂的架构，如包括内存的架构，通常会在其他RL域中产生卓越的性能。在这项工作中，我们考虑使用递归神经网络（RNN）进行模拟到真实的运动，允许学习使用内部记忆来模拟重要物理特性的策略。我们表明，虽然RNN能够在模拟中显着优于无记忆策略，但由于对模拟物理的过拟合，它们在真实数据上并没有表现出更好的行为，除非使用动态随机化进行训练以防止过拟合;这导致始终更好的仿真到现实迁移。我们还表明，RNN可以使用他们的学习记忆状态进行在线系统辨识的动态参数编码到内存中。
2020-06-03 cs.RO
Bipedal-Walking-Dynamics Model on Granular Terrains
Department of Mechanical and Aerospace Engineering, Rutgers University（罗格斯大学机械与航空航天工程系）；Bridgewater Raritan High School（布里奇沃特-拉里坦高中）；State Key Lab of Fluid Power Transmission and Control and the School of Mechanical Engineering, Zhejiang University（浙江大学流体动力传动与控制国家重点实验室和机械工程学院）
本文提出一种新的双足行走动力学模型，用于预测在颗粒介质上行走的运动。模型通过动态足部-地形交互模型计算地面反作用力，并引入三个额外自由度以估计足部下沉和滑动，从而改进机器人行走的运动学和动力学分析。
2026-04-13 cs.RO
Learning Bipedal Walking on a Quadruped Robot via Adversarial Motion Priors
School of Mechanical Engineering, University of Leeds（利兹大学机械工程学院）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）
本文将融合 Adversarial Motion Priors 的师生学习框架迁移到双足模式四足机器人，实现盲走，并在仿真中验证其可稳定通过平地、楼梯及不平坦地形。
2024-07-02 cs.RO
Invariant Filtering for Bipedal Walking on Dynamic Rigid Surfaces with Orientation-based Measurement Model
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
双足机器人行走的实际应用需要精确、实时的状态估计。动态刚性表面（DRS），如电梯，船舶，公共交通工具和飞机上的运动的状态估计，仍然是探索不足，虽然静态刚性表面的状态估计器的设计已被广泛研究。在状态估计中解决DRS运动是一个具有挑战性的问题，这主要是由于行走动力学的非线性、混合性质、非静止的表面-脚接触点和硬件缺陷（例如，有限的可用性、噪声和机载传感器的漂移）。为了解决这个问题，我们引入了一个不变的扩展卡尔曼滤波器（InEKF），其过程和测量模型显式地考虑DRS运动和混合行走行为，同时分别满足组仿射条件和不变形式。由于这些有吸引力的属性，滤波器的估计误差收敛可证明保证混合DRS运动。滤波器的测量模型还利用与支撑脚和表面取向相关联的完整约束，在该完整约束下，在存在一般DRS运动的情况下，机器人在世界上的偏航角变得可观察。摇摆跑步机上的双足步行实验结果表明，该滤波器确保快速的误差收敛和可观测的基础偏航角。
2021-09-02 cs.RO
Trunk Pitch Oscillations for Energy Trade-offs in Bipedal Running Birds and Robots
Max Planck Institute of Intelligent Systems（马克斯·普朗克智能系统研究所）
双足动物有不同的形态和先进的运动能力。陆生鸟类，特别是显示敏捷，高效，和强大的运行运动，其中他们利用身体部分的质量和惯性矩之间的相互作用。另一方面，大多数足式机器人不能产生这种通用的和节能的运动，往往忽视躯干运动作为一种手段，以提高他们的运动能力。最近的研究调查了躯干运动如何影响人类的步态特征，但缺乏对不同两足动物形态的分析。为了解决这个问题，我们分析了鸟类运行的基础上，弹簧加载倒立摆模型与pronograde（水平）树干。我们使用一个虚拟的基于点的控制方案和修改地面反作用力的对齐，以评估我们的控制策略如何影响躯干俯仰振荡和运动的能量。我们得出三个潜在的关键策略，以利用躯干俯仰运动，最大限度地减少能量波动的质量中心或髋关节和腿所做的工作。我们建议如何将这些策略用于腿式机器人。
2020-02-13 cs.RO
