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
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
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
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
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
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
Teleoperation of a Humanoid Robot with Motion Imitation and Legged Locomotion
SRM University（SRM大学）
本研究提出一个可模仿人类动作、行走及转弯的遥操作人形机器人系统。为了捕捉人体运动，使用了Microsoft Kinect深度传感器。与笨重的动作捕捉套装不同，传感器使系统更舒适地进行交互。从Kinect中提取骨架数据，并对其进行处理以生成机器人的关节角度。Robot操作系统（ROS）用于代码的各个部分之间的通信，以实现最小的延迟。因此，机器人模仿人类的实时性可以忽略不计的滞后。与大多数人体运动模拟系统不同，该系统不是静止的。用户的下半身运动被捕获和处理，并用于使机器人向前、向后行走以及向右或向左转，从而实现完全动态的遥控人形机器人系统。
2018-12-02 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
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
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
Whole-body Humanoid Robot Locomotion with Human Reference
PNDbotics
本文提出了一种基于对抗运动先验的模仿学习框架，应用于全尺寸人形机器人Adam，使其在复杂运动任务中达到与人类相当的性能，首次实现了人类运动数据在全尺寸人形机器人上的模仿学习。
2024-08-26 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
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
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
Dribble Master: Learning Agile Humanoid Dribbling through Legged Locomotion
本文提出一种两阶段课程学习框架，使人形机器人无需显式动力学或预设轨迹即可掌握控球技能，通过模拟虚拟相机和启发式奖励提升球感知能力，实验证明其在多种环境中实现灵活美观的控球行为。
2026-03-14 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
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
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
Learning Generic and Dynamic Locomotion of Humanoids Across Discrete Terrains
Manning College of Information and Computer Sciences at University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校曼宁信息与计算机科学学院）
本文提出一种结合RL训练的神经网络策略与MPC及WBIC控制器的仿人机器人运动架构，在离散地形上实现动态运动决策，显著减少训练样本需求并具备跨平台迁移能力。
2024-07-27 cs.RO
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
Design and Characterization of 3D Printed, Open-Source Actuators for Legged Locomotion
University of Michigan（密歇根大学）
令人印象深刻的动物运动能力介导的骨骼形态和肌肉特性的共同进化。足式机器人的性能也可能受益于致动器和腿形态的共同优化。然而，开发用于足式机器人的定制致动器通常是昂贵且耗时的，这阻碍了机器人专家追求由应用特定的致动器优化所提供的性能增益。本文介绍了两个准直接驱动致动器的开源设计，其性能适用于8- 15公斤的机器人，完全由现成的3D打印组件制成，每个组件不到200美元。每个致动器的机械，电气和热性能的特点和基准数据进行比较。受到420 k步的步态数据的致动器经历了只有2%的效率降低和26 mrad的反冲增长，证明了严格和持续的研究应用的可行性。我们提出了一种热解决方案，几乎使我们的塑料致动器设计的热驱动扭矩限制增加了一倍。性能结果与传统的金属执行器用于高速足式机器人相同规模的。这些3D打印设计展示了一种设计和表征低成本、高度可定制和高度可复制的致动器的方法，使致动器设计领域民主化，并实现致动器和机器人腿的协同设计和优化。
2022-02-24 cs.RO
Reduced-Order-Model-Based Feedback Design for Thruster-Assisted Legged Locomotion
Northeastern University（东北大学）
由于在考虑系统动态和环境相互作用时产生的高计算复杂性，机器人的实时约束满足可能是相当具有挑战性的，通常需要简化建模，这可能不一定考虑所有性能标准。相反，我们提出了一种无优化的方法，操纵参考轨迹，以满足地面接触所带来的约束，以及那些规定的状态和输入。轨迹的意外变化，特别是优化产生周期性步态的轨迹变化，可能会对步态稳定性产生不利影响，但是我们将证明我们的方法仍然可以通过使用我们机器人独有的同轴推进器来保证步态的稳定性。
2021-05-21 cs.RO
Adaptive Force-Based Control of Dynamic Legged Locomotion over Uneven Terrain
University of Southern California（南加州大学）
本文提出一种将自适应控制融入基于力控制器的四足机器人方法，以应对模型不确定性与未知地形冲击，使Unitree A1能承载高达自重50%的负载并在崎岖地形上动态小跑、跳跃。
2024-04-07 cs.RO
ContactNet: Online Multi-Contact Planning for Acyclic Legged Robot Locomotion
Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）；Tandon School of Engineering, New York University (NYU)（纽约大学坦登工程学院）；Università di Trento（特伦托大学）
提出基于多输出回归神经网络的快速非周期接触规划器ContactNet，可在约1毫秒内完成多接触规划，实现与轨迹优化器的MPC并发执行，并在四足机器人Solo12仿真中验证了有效性。
2024-05-02 cs.RO
Towards Standardized Disturbance Rejection Testing of Legged Robot Locomotion with Linear Impactor: A Preliminary Study, Observations, and Implications
Iowa State University（爱荷华州立大学）；The Ohio State University（俄亥俄州立大学）
针对足式机器人抗扰测试缺乏标准化的问题，提出将其他领域成熟的线性冲击器作为标准化测试设备，通过人形机器人Digit的实验验证了方案可行性，并披露了多项首次发现的反直觉结论。
2024-01-29 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
VIP-Loco: A Visually Guided Infinite Horizon Planning Framework for Legged Locomotion
VIP-Loco结合视觉感知与强化学习，实现腿部机器人在复杂动态环境中的鲁棒运动规划，通过内部模型将本体状态与深度图像映射为紧凑的运动动力学特征，结合无限 horizon MPC提升适应性与结构化规划能力。
2026-03-15 cs.RO
GPO: Growing Policy Optimization for Legged Robot Locomotion and Whole-Body Control
Beihang University, China（北京航空航天大学）；Department of Mechanical Engineering, National University of Singapore, Singapore（新加坡国立大学机械工程系）；Henan Univeristy, China（河南大学）
GPO通过动态动作转换优化腿部机器人运动和全身控制，提供稳定训练和高效探索的通用框架。
2026-01-28 cs.RO
Autonomous Spot: Long-Range Autonomous Exploration of Extreme Environments with Legged Locomotion
NASA Jet Propulsion Laboratory（NASA喷气推进实验室）；California Institute of Technology（加州理工学院）
本文是使用Boston Dynamics Spot机器人实现大规模和长时间自主的首批努力之一。出于探索极端环境的动机，特别是那些参与DARPA地下挑战的人，本文推动了使腿式机器人系统能够在相关场景中完成现实世界复杂任务的实践状态的界限。特别是，我们讨论的行为和能力出现的自治架构NeBula（网络信念感知感知自主）与下一代移动系统的集成。我们将讨论硬件和软件挑战，以及移动性、感知、自主性和无线网络方面的解决方案，以及经验教训和未来发展方向。我们展示了所提出的解决方案在现实世界的场景中的物理系统的性能。
2020-11-30 cs.RO
MOVE: Multi-skill Omnidirectional Legged Locomotion with Limited View in 3D Environments
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）；State Key Laboratory of Industrial Control Technology（工业控制技术国家重点实验室）
针对低成本四足机器人前向视野狭窄与外部感知噪声问题，提出端到端MOVE框架，融合伪孪生网络、监督与对比学习，实现有限视野下多技能全向运动。
2024-12-04 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
Body Lift and Drag for a Legged Millirobot in Compliant Beam Environment
University of California, Berkeley（加州大学伯克利分校）
目前对腿运动的许多研究都正确地集中在脚的牵引力上，包括颗粒介质。未来的腿式微型机器人将需要穿越地形，如灌木丛或其他植被，在那里身体接触力会显著影响运动。在这项工作中，一个（以前开发的）低成本的6轴力/扭矩传感外壳被用来测量之间的相互作用力的hexapedal millirobot和一组顺应梁，作为一个代理的密集杂乱的环境。使用VelociRoACH机器人平台进行的实验用于测量触觉外壳上的升力和阻力，其中负升力可以增加牵引力，即使阻力增加。可以测量通过密集地形所需的阻力能和比阻。此外，机器人和柔性梁之间的一些接触可以降低运动的比阻。对于小型、轻量的足式机器人，在梁环境中，身体运动取决于腿-地面和身体-梁力。一个壳的形状，减少阻力，但增加负升力，如使用的半椭圆，建议是有利的机器人运动在这种类型的环境。
2019-04-19 cs.RO
Dynamic Locomotion Teleoperation of a Wheeled Humanoid Robot Reduced Model with a Whole-Body Human-Machine Interface
University of Illinois at 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）
双边遥操作为人形机器人提供了人类规划智能，同时使人类能够感受到机器人的感受。它有可能将具有物理能力的人形机器人转变为动态智能机器人。然而，动态双边运动遥操作仍然是一个挑战，由于它涉及到复杂的动力学。这项工作提出了我们的第一步，以应对这一挑战，通过概念的轮式人形机器人运动的身体倾斜遥操作。具体来说，我们开发了一个力反馈功能的全身人机界面（HMI），并设计了力反馈映射和两个遥操作映射，映射人体的倾斜机器人的速度或加速度。我们比较了这两个映射，并通过实验研究了力反馈的效果，其中七个人类受试者遥操作一个模拟机器人与HMI执行动态目标跟踪任务。实验结果表明，所有被试在练习后都完成了两种映射的任务，并且力反馈提高了他们的成绩。然而，受试者表现出两种不同的遥操作风格，这得益于不同的力反馈。此外，力反馈影响了被试对遥操作映射的偏好，尽管大多数被试在速度映射方面表现更好。
2021-09-08 cs.RO
Experience-Learning Inspired Two-Step Reward Method for Efficient Legged Locomotion Learning Towards Natural and Robust Gaits
Shanghai Jiao Tong University（上海交通大学）
该研究受动物渐进学习启发，提出基于自获取经验的两阶段两步奖励框架，结合步态奖励与对抗模仿学习，实现四足和六足机器人在复杂地形上的自然鲁棒运动，并成功迁移至实体GO1。
2024-01-22 cs.RO
Dynamic Locomotion For Passive-Ankle Biped Robots And Humanoids Using Whole-Body Locomotion Control
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Stanford University（斯坦福大学）
全身控制是一种面向任务的反馈控制方法，用于人形机器人的局部操作行为。WBC和基于模型的步行控制器的组合已被广泛应用于各种人形机器人中。然而，到目前为止，WBC方法还没有被用于无支撑的被动踝关节动态运动。因此，在本文中，我们设计了一个新的WBC，被称为全身运动控制器（WBLC），可以实现实验动态行走无支撑被动踝关节机器人。WBLC的一个关键方面是接触约束的放松，使得控制命令在切换脚接触时产生减少的急动。为了实现强大的动态运动，我们进行了深入的分析，我们的动态步行算法称为时间速度反转（TVR）规划的不确定性。不确定性研究是基础，因为它使我们能够改进我们的机器人的控制算法和机械结构，以满足容忍的不确定性。此外，我们进行了大量的实验：1）无支撑的动态平衡（即原地踏步）与六自由度（DoF）的机器人，水星; 2）无支撑的方向行走与水星; 3）行走在不规则和光滑的地形与水星;和4）原地行走与我们新设计的十自由度粘弹性液体冷却机器人，DRACO。总体而言，这项工作的主要贡献是：a）实现被动踝两足动物使用WBLC控制器和TVR规划器的无支撑动态运动的各种模式，b）进行不确定性分析，以改善水星的机械结构和控制器，以及c）设计一个全身控制策略，减少行走过程中的运动抖动。
2019-01-23 cs.RO
Motion Planning for Agile Legged Locomotion using Failure Margin Constraints
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）
灵活的机器人腿运动的复杂动力学需要运动规划来智能地调整脚步位置。通常，双足脚步和运动规划使用数学上简单的模型，如线性倒立摆，而不是没有封闭形式解决方案的动态丰富的模型。我们提出了一种实时优化方法来规划动态模型，没有封闭的形式的解决方案和经验不可恢复的失败。我们的方法使用数据驱动近似的一步一步的动态和故障裕度函数。该故障裕度函数是状态-动作空间中的有向距离函数，其中它描述到成功或失败的带符号距离。运动规划问题形成为一个非线性规划的约束，强制执行近似的前向动力学和状态-动作对的有效性。为了说明，这种方法被应用到创建一个驱动弹簧加载倒立摆模型的规划器。在一项烧蚀研究中，在不同的目标和视野长度上，失效裕度约束使无效解的数量减少了24到47个百分点。虽然我们在运动的规范模型上演示了该方法，但我们还讨论了如何将其应用于数据驱动模型和全阶机器人模型。
2022-03-28 cs.RO
