Single-shot Foothold Selection and Constraint Evaluation for Quadruped Locomotion
Poznan University of Technology（波兹南理工大学）；University of Edinburgh（爱丁堡大学）
在本文中，我们提出了一种方法来选择最佳的足系统。所提出的方法的目标是找到最好的立足点摆动腿在当地的海拔地图。我们应用卷积神经网络来学习当地高程图和潜在立足点质量之间的关系。建议的网络评估的几何特征，每个单元的高程图，检查运动学约束和碰撞。在执行时间期间，控制器从神经模型获得每个潜在立足点的定性测量。该方法允许评估数百个潜在的立足点，并检查多个约束在一个单步的，需要10~ms的标准计算机上没有GPGPU。在仿真和真实机器人平台上对四足机器人在崎岖地形上的行走进行了实验。
2022-12-01 cs.RO
QuadPiPS: A Perception-informed Footstep Planner for Quadrupeds With Semantic Affordance Prediction
Georgia Institute of Technology（佐治亚理工学院）
QuadPiPS通过结合几何与语义编码的腿足自体环境表示，实现四足机器人的感知引导步态规划，提升在有限 foothold 情况下的安全性和地形适应能力。
2026-05-01 cs.RO
Design, Modeling and Control of a Quadruped Robot SPIDAR: Spherically Vectorable and Distributed Rotors Assisted Air-Ground Amphibious Quadruped Robot
The University of Tokyo（东京大学）
多模态运动能力是机器人领域的一个新兴课题，各种新型的移动机器人已经被开发出来，使地面和空中的域的机动。在这些混合机器人中，几个国家的最先进的双足\robots，使复杂的步行运动，这是交织在一起的飞行。这些机器人还希望具有操纵能力;然而，由于中心\ized转子布置，当前形式难以在半空中保持关节运动的稳定性。因此，在这项工作中，我们开发了一种新的空地两栖四足机器人称为SPIDAR，它是由球形矢量转子分布在每个链接，使步行运动和变形飞行的协助。F \irst，我们提出了一种独特的机械设计的四足机器人，使地面和空中运动。然后，我们揭示了这种混合机器人平台的建模方法，并进一步开发了一个集成的控制策略，步行和fl \ying与关节运动。最后，我们证明了所提出的混合四足机器人的可行性，通过执行一个无缝的运动，涉及静态行走和随后的飞行。据我们所知，这项工作是第一次实现一个\quadruped机器人具有多模态运动能力，这也表明在多个领域的操纵潜力。
2023-01-10 cs.RO
Robust Footstep Planning and LQR Control for Dynamic Quadrupedal Locomotion
University of Pisa（比萨大学）；Research Center “E. Piaggio” of the University of Pisa（比萨大学“E.皮亚乔”研究中心）
在本文中，我们的目标是通过两个方面来提高动态四足运动的鲁棒性：1）快速模型预测的立足点规划，和2）应用LQR投影逆动态控制鲁棒运动跟踪。在我们提出的规划和控制框架，立足点计划更新在400赫兹考虑当前的机器人状态和LQR控制器产生最佳的反馈增益的运动跟踪。具有非零非对角元素的LQR最优增益矩阵利用动力学的耦合来补偿系统欠驱动。同时，投影逆动态控制补充LQR满足不等式约束。除了这些贡献，我们展示了我们的控制框架的鲁棒性未建模的自适应脚。在四足动物ANYmal上的实验证明了所提出的方法在给定外部干扰和环境不确定性的鲁棒动态运动中的有效性。
2021-03-13 cs.RO
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
Planning and Execution of Dynamic Whole-Body Locomotion for a Hydraulic Quadruped on Challenging Terrain
Istituto Italiano di Tecnologia（意大利理工学院）；ETH Zurich（苏黎世联邦理工学院）
我们提出了一个框架，动态四足运动在具有挑战性的地形，选择适当的立足点是至关重要的行为的成功。我们建立了一个模型的环境在线和船上使用一个有效的占用网格表示。我们使用Any-time-Repairing A*（ARA*）来搜索可能的动作树，选择一个粗略的身体路径，并相应地选择局部最佳立足点。我们使用动态稳定性指标零力矩点（ZMP）对身体轨迹进行n步前瞻优化，该指标可生成自然的动态全身运动。浮基逆动力学和虚拟模型控制的组合在主动顺应系统上精确地执行期望的运动。实验测试表明，这个框架使我们能够以近6倍于我们以前工作的速度遍历地形，在同一组试验中进行评估。
2019-04-07 cs.RO
Vision-aided Dynamic Quadrupedal Locomotion on Discrete Terrain using Motion Libraries
University of California, Berkeley（加州大学伯克利分校）；Meta AI
在本文中，我们提出了一个框架植根于控制和规划，使四足机器人穿越具有挑战性的地形与离散的立足点，使用视觉反馈。导航离散地形是具有挑战性的四足动物，因为机器人的运动可以是非周期性的，高度动态的，和盲目的机器人的后腿。此外，机器人需要通过在地形的不同部分加速和减速来推理可行的立足点以及机器人速度。我们建立了一个离线库的周期性步态，跨越两个小跑步骤的机器人，并在不同的运动原语之间切换，以实现非周期运动的不同步长的A1机器人。运动库用于向控制姿态的几何模型预测控制器提供目标。为了融入视觉反馈，我们使用地形映射工具，使用RGB和深度摄像头构建机器人周围地形的局部高度地图，并提取机器人前腿和后腿周围可行的立足点位置。我们的实验表明，Unitree A1机器人在现实世界中导航多个未知的，具有挑战性的和离散的地形。
2022-03-04 cs.RO cs.SY eess.SY
Learning Agile Locomotion Skills with a Mentor
Robotics at Google（谷歌机器人）；Georgia Institute of Technology（佐治亚理工学院）
开发足式机器人的敏捷行为仍然是一个具有挑战性的问题。虽然深度强化学习是一种很有前途的方法，但学习真正的敏捷行为通常需要繁琐的奖励塑造和仔细的课程设计。我们制定敏捷运动作为一个多阶段的学习问题，其中导师指导整个训练的代理。导师被优化为放置检查点以引导机器人的质心的移动，而学生（即机器人）学习到达这些检查点。一旦学生能够解决任务，我们就会教学生在没有导师的情况下执行任务。我们评估我们提出的学习系统与一个模拟的四足机器人的课程，包括随机生成的差距和障碍。我们的方法显著优于没有导师的单级RL基线，并且四足机器人可以敏捷地跑和跳过间隙和障碍物。最后，我们对学习行为的可行性和有效性进行了详细的分析。
2020-11-11 cs.RO
Multi-Contact Motion Retargeting using Whole-body Optimization of Full Kinematics and Sequential Force Equilibrium
Georgia Institute of Technology（佐治亚理工学院）；Twentieth Century Fox（二十世纪福克斯公司）；Starfleet Academy（星际舰队学院）；Tyrell Inc.（泰伦公司）
本文提出了一种多接触运动自适应框架，使遥操作的高自由度（DoF）的机器人，如四足动物和类人，在多接触设置的本地操作任务。我们提出的算法优化全身配置和制定重定向的多接触运动作为序列二次规划，这是强大的和稳定的可行性约束的边缘附近。我们的框架允许机器人的实时操作，并减少了操作员的认知负荷，因为不可行的命令会自动适应机器人的物理稳定和可行的运动。全动力学仿真结果表明了遥操作不同足式机器人的有效性，并产生丰富的多接触运动。我们评估了所提出的算法的计算效率，并进一步验证和分析多接触的机器人和四足机器人的本地操作任务达到，主动推动和各种遍历不平坦的地形。
2022-06-01 cs.RO
Contact Planning for the ANYmal Quadruped Robot using an Acyclic Reachability-Based Planner
University of Oxford（牛津大学）；Sabanci University（萨班哲大学）；CNRS（法国国家科学研究中心）
尽管四足机器人在过去十年中取得了巨大的进步，但在高度不均匀和混乱的环境中选择良好的接触点（立足点）仍然是一个公开的挑战。本文建立在一种已成功用于人形机器人的最先进方法的基础上，并将其应用于我们的机器人平台;四足机器人ANY-mal。所提出的算法将问题分解为两个子问题：首先生成机器人的引导轨迹，然后沿着该轨迹创建接触。这两个子问题都依赖于需要调整的近似和算法。这项工作的主要贡献是解释该算法如何被重新调整到与任何故障一起工作，并在现实的动态模拟中显示该方法与各种测试的相关性。
2019-04-17 cs.RO
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
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
Locomotion on Constrained Footholds via Layered Architectures and Model Predictive Control
Department of Control and Dynamical Systems, California Institute of Technology（控制与动态系统系，加州理工学院）
针对腿式机器人混合特性导致的实时最优控制难题，提出分层架构分离离散变量选择与平滑MPC，结合无梯度与梯度方法，在四足和仿人机器人仿真中验证其比启发式方法更优可靠、比纯采样方法更快。
2025-08-24 cs.RO
SafeSteps: Learning Safer Footstep Planning Policies for Legged Robots via Model-Based Priors
Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）
提出一种四足机器人落足点规划策略，通过学习地形安全信息并采用掩码PPO算法，显著减少安全违规，提升性能与样本效率。
2025-01-29 cs.RO
Knowledge Transfer across Imaging Modalities Via Simultaneous Learning of Adaptive Autoencoders for High-Fidelity Mobile Robot Vision
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
使移动机器人能够解决具有高保真视觉的具有挑战性和多样性的形状，纹理和运动相关任务，需要集成新型多模态成像传感器和先进的融合技术。然而，它与高成本、功率、硬件修改和计算要求相关联，这限制了其可扩展性。在本文中，我们提出了一种新的同时学习自动编码器领域自适应（SAEDA）为基础的迁移学习技术，使噪声传感与先进的传感器套件的能力。在这方面，SAEDA在单个图上一起训练源和目标自动编码器，以在同时收集的数据上获得源和目标域之间的域不变特征空间。然后，它使用域不变的特征空间，不同的信号模态之间的知识转移。评估已经完成了两个收集的数据集（激光雷达和雷达）和一个现有的数据集（激光雷达，雷达和视频），这提供了一个显着的改进，在四足机器人为基础的分类（家庭地板和人类活动识别）和回归（表面粗糙度估计）的问题。我们还将我们的传感器套件和SAEDA框架集成在两个实时系统（真空清洁和Mini-Cheetah四足机器人）上，以研究其可行性和可用性。
2021-09-02 cs.RO
Load-bearing Assessment for Safe Locomotion of Quadruped Robots on Collapsing Terrain
Dynamic Legged Systems Lab, Istituto Italiano di Tecnologia (IIT)（动态腿系统实验室，意大利技术研究院）；Department of Mechanical Engineering, São Carlos School of Engineering (EESC), University of São Paulo (USP)（机械工程系，圣卡洛斯工程学院（EESC），圣保罗大学）
针对四足机器人在坍塌地形上的安全运动，本文提出融合地形探测、承重分析、MPC控制与状态机的框架，利用关节测量评估稳定性，实验验证其穿越能力。
2025-10-24 cs.RO
Safety-critical Control of Quadrupedal Robots with Rolling Arms for Autonomous Inspection of Complex Environments
California Institute of Technology (Caltech)（加州理工学院（Caltech））
针对复杂多层环境下四足机器人自主巡检的安全移动问题，提出包含轨迹生成、落脚点重规划、安全关键控制等模块的框架，结合降阶与全身体模型，经实物实验验证可实现塔盘层级间的安全自主导航切换。
2023-12-12 cs.RO
Zero-Shot Retargeting of Learned Quadruped Locomotion Policies Using Hybrid Kinodynamic Model Predictive Control
University of Notre Dame（圣母大学）；Robotics at Google（谷歌机器人部门）
强化学习（RL）在四足动物运动方面取得了长足的进步，并在策略的可靠仿真到现实迁移方面取得了持续的进展。然而，在另一个机器人上重用策略仍然是一个挑战，这可以节省重新训练的时间。在这项工作中，我们提出了一个框架zero-shot政策重定向，其中不同的运动技能可以在不同形状和大小的机器人之间转移。新的框架集中在一个规划和控制管道，系统地集成RL和模型预测控制（MPC）。规划阶段采用RL生成动态似然轨迹以及接触时间表，避免了接触序列优化的组合复杂性。然后，这些信息被用于播种MPC，以通过一个新的混合Kinodynamic（HKD）模型来稳定和鲁棒化政策推出，该模型隐式优化了立足点位置。硬件结果表明，能够将策略从A1和Laikago机器人传输到MIT Mini Cheetah机器人，而无需任何策略重新调整。
2022-09-28 cs.RO
Learning Fault-Tolerant Locomotion with Adaptive Gait Timing
Italian Institute of Technology（意大利技术研究院）
针对大型四足机器人执行器动力损失的容错运动问题，提出带潜在对齐损失的非对称Actor-Critic深度强化学习方法，通过自适应步态频率实现容错，经仿真与真实实验验证有效。
2026-08-10 cs.LG cs.RO
Quadrupped-Legged Robot Movement Plan Generation using Large Language Model
Institut Teknologi Sepuluh Nopember（十月份十号技术学院）
本文提出利用大语言模型生成四足机器人运动计划，通过分布式架构和实时传感器融合实现直观自然语言导航，实验显示系统在多种场景中成功率超过90%。
2025-12-24 cs.HC cs.RO
Open-Set Ego-Noise Separation for Legged-Robot Audition via Annotation-Free Adaptation and Pretrained-Model Transfer
The University of Tokyo（东京大学）
本文提出一种无标注适应的开集自身噪声分离框架，利用RecurGraph选择噪声片段、Transfer-DiT迁移预训练模型，在双足和四足机器人上验证了分离性能提升。
2026-10-14 cs.RO
Design and Development of a Remotely Wire-Driven Walking Robot
Department of Mechano-Informatics, Graduate School of Information Science and Technology, The University of Tokyo（机械信息学系，信息科学与技术研究生院，东京大学）；AI Center, Graduate School of Information Science and Technology, The University of Tokyo（人工智能中心，信息科学与技术研究生院，东京大学）
本研究提出了一种名为 Remote Wire Drive 的新型机构，通过线驱动实现移动机器人的远程驱动，并实验验证了其在线驱动四足机器人上的可行性。
2025-09-15 cs.RO
Terrain Adaptive Gait Transitioning for a Quadruped Robot using Model Predictive Control
Birla Institute of Technology and Science, Pilani（皮拉尼比特拉科技学院）
足式机器人可以穿越具有挑战性的地形，使用感知来规划其安全的立足点位置，并在环境中导航。这种独特的移动能力使这些平台成为搜索和救援，检查和勘探任务等场景的完美候选人。当穿越这样的地形时，机器人的不稳定性是一个重要的问题。很多时候，机器人需要根据环境切换步态。由于四足机器人动力学的复杂性，传统的PID控制无法提供高的稳定性。因此，需要先进的控制方法，如模型预测控制（MPC），其使用系统模型和地形的性质来预测机器人的稳定身体姿态。控制器还提供对导致机器人的期望行为的改变的任何外部干扰的校正。MPC控制器是在MATLAB中设计的，用于全身扭矩控制。在Webots仿真器中的Boston Dynamics Spot上验证了控制器的性能。该机器人能够提供高达150 N的外部扰动校正，并能抵抗80 cm的跌落。
2021-07-07 cs.RO cs.SY eess.SY
Assessment of the Utilization of Quadruped Robots in Pharmaceutical Research and Development Laboratories
Baxalta Innovations GmbH, a Takeda company（武田旗下百特创新有限公司）；Óbuda University（奥布达大学）
本文评估了波士顿动力Spot四足机器人在制药研发实验室远程检查中的可行性，并展望了其最新技术进展及未来应用前景。
2023-07-03 cs.RO
Real-Time Control-Constrained DDP for Underactuated Balancing of Legged Robots
Sungkyunkwan University (SKKU)（成均馆大学）；AIDIN ROBOTICS Inc.（艾丁机器人公司）
针对经典DDP处理控制约束的局限，提出ABC-DDP算法，结合可行性驱动多射击框架，实现欠驱动腿式机器人实时MPC，仿真验证其可完成静态双腿站立及多种动态运动。
2026-09-04 cs.RO math.OC
Rapid and Reliable Quadruped Motion Planning with Omnidirectional Jumping
Massachusetts Institute of Technology（麻省理工学院）
足式机器人的动态跳跃是一个具有挑战性的规划和控制问题。制定跳跃优化以允许快速在线执行是困难的;有效地使用这种能力来生成长期运动计划使问题进一步复杂化。在这项工作中，我们提出了一个层次规划框架来解决这个问题。首先，我们制定了一个实时易处理的轨迹优化进行全向跳跃。然后，我们将这种优化的结果嵌入到低维跳跃可行性分类器中。利用该分类器来产生几何运动计划，该几何运动计划选择动态可行的跳跃，同时减轻过程噪声的影响。我们将我们的框架部署在Mini Cheetah Vision四足动物上，展示了机器人生成和执行可靠的目标导向计划的能力，这些计划涉及向前，横向和旋转跳跃到与机器人标称髋关节高度一样高的表面上。通过全向跳跃进行规划的能力大大扩展了机器人相对于限制跳跃到矢状面或额状面的规划者的移动性。
2022-03-05 cs.RO
Optimizing Dynamic Balance in a Rat Robot via the Lateral Flexion of a Soft Actuated Spine
Technical University of Munich（慕尼黑工业大学）；Sun Yat-Sen University（中山大学）；Pazhou Lab（琶洲实验室）
本文针对大鼠机器人小跑时的动态平衡问题，建立柔性驱动脊柱侧向屈曲的运动学模型，并设计不改变腿部运动的优化控制器，仿真与实验均验证其可提升平衡并保持期望步态。
2024-03-01 cs.RO
On the Hardware Feasibility of Nonlinear Trajectory Optimization for Legged Locomotion based on a Simplified Dynamics
Istituto Italiano di Tecnologia（意大利理工学院）；Politecnico di Torino（都灵理工大学）
简化的模型对于增加运动规划算法的计算效率是有用的，但是必须管理它们的准确性的缺乏。我们提出了两个可行性约束，包括在一个单一的刚体dynamicsbased轨迹优化，以获得强大的运动在具有挑战性的地形。第一个发现关节扭矩限制和容许接触力之间的近似关系，而不需要关节位置。第二个提出了一个腿模型，以防止腿碰撞的环境。这种约束已被包含在一个简化的非线性非凸轨迹优化问题。我们证明了在仿真和液压驱动四足（HyQ）机器人的运动计划的可行性，考虑到实验上的不规则地形。
2020-04-01 cs.RO
Flying Trot Control Method for Quadruped Robot Based on Trajectory Planning
Shandong University（山东大学）；Shandong Youbaote Intelligent Robot Co., Ltd（山东优宝特智能机器人有限公司）；China North Vehicle Research Institute（中国北方车辆研究所）
提出了一种将离线轨迹规划与实时平衡控制相结合的飞行小跑直观控制方法。利用弹簧负载倒立摆（SLIP）模型分析了奔跑动物在垂直方向上的运动特性，规划了机器人的足运动轨迹，使机器人能够根据给定的躯干高度和速度，实现类似于垂直飞行动物的奔跑。为了提高跑步的鲁棒性，提出了一种基于脚加速度调节的姿态控制方法。提出了一种新的基于运动学的CoM观测方法和CoM调节方法，以提高运动的稳定性。为了减小机器人与环境交互时的冲击力，采用虚拟模型控制方法对足部轨迹进行控制，实现主动柔顺。通过为虚拟模型选择适当的参数，虚拟模型的振荡运动和支撑脚的规划运动被同步，以避免由虚拟模型的振荡运动相对于机器人运动引起的大的干扰。以四足机器人Billy为例进行了仿真和实验。在实验中，机器人的最大速度可以达到每秒4.73倍体长，验证了控制方法的可行性。
2022-10-24 cs.RO
LiMo-Calib: On-Site Fast LiDAR-Motor Calibration for Quadruped Robot-Based Panoramic 3D Sensing System
China-Singapore International Joint Research Institute (CSIJRI)（中新国际联合研究院）；School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
针对四足机器人高频振动导致激光雷达-电机标定困难的问题，提出LiMo-Calib现场标定方法，利用几何特征免靶标，优化特征选择与重加权机制，提升标定效率和3D感知精度。
2025-02-25 cs.RO
Contactless Respiratory Monitoring on Heterogeneous Mobile Robots: A Multimodal Edge-Computing Framework
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
提出一种适用于异构移动机器人的多模态非接触式呼吸率监测框架，通过自适应传感器选择、关键点引导的ROI提取和信号质量过滤，在多种平台和光照条件下实现鲁棒监测，无需平台特定调参。
2026-06-17 cs.CV cs.RO
Spatio-Temporal Motion Retargeting for Quadruped Robots
Department of Artificial Intelligence, Korea University（人工智能系，韩国大学）；Department of Computer Science, ETH Zurich（计算机科学系，苏黎世联邦理工学院）；Department of Mechanical and Aerospace Engineering, UCLA（机械与航空航天工程系，加州大学洛杉矶分校）
本文提出足式机器人时空运动重定向方法，先由关键点轨迹生成运动学可行的全身动作，再在物理约束下进行时域动力学优化，并结合强化学习实现鲁棒跟踪，可将含噪视频迁移为四足机器人的后空翻等技能。
2025-07-24 cs.RO
Scoop-and-Toss: Dynamic Object Collection for Quadrupedal Systems
Department of Computer Science Hanyang University（计算机科学系翰阳大学）
本文提出Scoop-and-Toss框架，通过腿部铲状附件、背部托盘及分层专家-元策略，使四足机器人无需额外执行器即可动态铲抛并收集多个物体。
2025-06-11 cs.LG cs.RO
First Steps: Latent-Space Control with Semantic Constraints for Quadruped Locomotion
Applied AI Lab (A2I)（应用人工智能实验室（A2I））；Dynamic Robot Systems (DRS)（动态机器人系统（DRS））；Oxford Robotics Institute (ORI), University of Oxford（牛津大学牛津机器人研究所（ORI））
传统的四足动物控制方法通常采用简化的手衍生模型。这显著降低了机器人的能力，因为其有效的运动范围被缩减。此外，Kinodynamic约束通常是不可微的，并且难以在优化方法中实现。在这项工作中，这些挑战是解决框架四足动物控制优化结构化的潜在空间。深度生成模型捕获可行的关节配置的统计表示，而复杂的动态和终端约束通过高级语义指标表示，并由在潜在空间上操作的学习分类器表示。因此，复杂的约束呈现微分和评估的数量级快于分析方法。我们验证的可行性运动轨迹优化使用我们的方法在模拟和现实世界中的ANYmal四足动物。我们的研究结果表明，这种方法是能够产生平滑和可实现的轨迹。据我们所知，这是第一次潜在的空间控制已成功地应用于一个复杂的，真正的机器人平台。
2020-11-20 cs.LG cs.RO
Feasibility Retargeting for Multi-contact Teleoperation and Physical Interaction
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Université de Lorraine（洛林大学）；University of Edinburgh（爱丁堡大学）；University College London（伦敦大学学院）；University of Sussex（萨塞克斯大学）
本文概述了SEIKO逆运动学优化框架，通过实时调整操作员指令保证参考构型可行，并结合导纳控制实现物理交互，已在人形与四足机器人仿真及双臂搬运实物任务中验证。
2023-08-07 cs.RO
Walking on Roofs: Exploring the Potential of Walking Robots for Construction Work on Roofs
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
本文研究四足机器人Unitree Go2用于屋顶建筑工作的可行性，通过测试发现其标准球形脚在斜坡屋顶存在打滑等问题，为该领域研究建立基线并提出改进方向。
2026-10-09 cs.RO
Extended Capture Point and Optimization-based Control for Quadrupedal Robot Walking on Dynamic Rigid Surfaces
University of Massachusetts Lowell（麻省大学洛厄尔分校）
稳定足式机器人在动态刚性表面（DRS）上的运动（即，在惯性系中运动的刚性表面）是复杂的规划和控制问题。由于混合非线性行走动力学的复杂性受到显式时变完整约束所造成的表面运动。这项研究的第一个主要贡献是扩展的捕获点从静态表面上行走的DRS上的运动，以及使用所得到的捕获点在线运动规划。第二个主要贡献是二次规划（QP）的反馈控制器设计，明确考虑DRS运动。通过对四足机器人在具有摇摆运动的DRS上行走的仿真，验证了所提出的控制方法的稳定性和鲁棒性。仿真结果还表明，与我们以前的方法相比，改进的步行性能离线规划和输入输出线性化控制的基础上，不明确保证地面接触约束的可行性。
2021-09-10 cs.RO math.OC
Experience-Based Feasibility-Aware Generative Adversarial Imitation from Observation under Embodiment Mismatch
Nara Institute of Science and Technology (NAIST)（奈良先端科学技术大学院大学）；University of Trento（特伦托大学）
针对人机具身差异导致演示不可行的问题，提出基于经验的可行性感知生成对抗模仿学习（EF-GAIfO），动态扩展可行区域，并在模拟运动任务和真实四足机器人抓取任务中验证有效性。
2026-10-02 cs.RO
Adaptive Control Strategy for Quadruped Robots in Actuator Degradation Scenarios
Shanghai Jiao Tong University（上海交通大学）
针对四足机器人执行器退化问题，提出基于强化学习的师生框架ADAPT，生成统一控制策略，仅依赖内部传感器维持运动，在Unitree A1平台上验证了其有效性和鲁棒性。
2023-12-29 cs.AI cs.LG cs.RO
Learning Forward Dynamics Model and Informed Trajectory Sampler for Safe Quadruped Navigation
Korea Advanced Institute of Science and Technology (KAIST)（韩国高等科学技术研究院（KAIST））
对于自主四足机器人导航在各种复杂的环境中，一个典型的SOTA系统是由四个主要模块-映射器，全局规划器，本地规划器，和命令跟踪控制器-在一个层次的方式。在本文中，我们建立了一个强大的和安全的本地规划器，其目的是生成一个速度计划，以跟踪一个粗略规划的路径从全球规划器。以前的工作使用基于航路点的方法（例如比例-微分控制和纯追踪），将路径跟踪问题简化为局部点目标导航。然而，他们遭受频繁的碰撞，在几何复杂和狭窄的环境，因为两个原因;全球规划者使用粗糙和不准确的模型和本地规划者是无法跟踪全球计划足够好。目前，深度学习方法是一种有吸引力的替代方法，因为它们可以更准确地从经验中学习安全性和路径可行性。然而，现有的深度学习方法不能够规划长的视野。在这项工作中，我们提出了一个基于学习的全自主导航框架，由三个创新要素组成：学习的前向动力学模型（FDM），基于在线采样的模型预测控制器和知情轨迹采样器（ITS）。使用我们的框架，四足机器人可以自主导航在各种复杂的环境中没有碰撞，并生成一个更平滑的命令计划相比，基线方法。此外，我们的方法可以反应式地处理规划路径上的意外障碍物并避免它们。项目页面https://awesomericky.github.io/projects/FDM_ITS_navigation/。
2022-04-21 cs.LG cs.RO
Vectorable Thrust Control for Multimodal Locomotion of Quadruped Robot SPIDAR
The University of Tokyo（东京大学）
本文为每个连杆配备矢量旋翼的四足机器人 SPIDAR 提出可矢量推进控制，扩展飞行控制以避免旋翼间气动干扰，并设计支持四腿同时抬起的爬行控制与步态，实验验证了多模态运动可行性。
2025-03-14 cs.RO cs.SY eess.SY
Evaluating Reinforcement Learning Algorithms for Navigation in Simulated Robotic Quadrupeds: A Comparative Study Inspired by Guide Dog Behaviour
University of Hertfordshire（赫特福德大学）
本研究比较了PPO、DQN和Q学习三种强化学习算法在模拟四足机器人导航与避障中的表现，发现PPO在所有指标上最优，为开发机器人导盲犬及医疗辅助机器人提供了依据。
2025-07-17 cs.AI cs.LG cs.RO
Application of Wrench based Feasibility Analysis to the Online Trajectory Optimization of Legged Robots
Istituto Italiano di Tecnologia（意大利技术研究院）；CNRS-LAAS（法国国家科学研究中心-自动化与系统分析实验室）；University of Toulouse（图卢兹大学）；Toyota Research Institute（丰田研究院）
多触点情况下的运动规划最近在腿式机器人社区内引起了兴趣，然而很少考虑致动器力/扭矩限制。我们认为，当要穿越的地形复杂性增加时，这些限制变得至关重要。我们建立在以前的研究，从机器人抓取领域提出了两个新的六维有界多面体命名的驱动扳手多面体（AWP）和可行扳手多面体（FWP）。我们将AWP定义为机器人在考虑其驱动限制的情况下可以生成的所有扳手的集合。这考虑了机器人在给定其当前配置和致动能力的情况下可以产生的容许接触力。相反，接触扳手锥（CWC）包括环境的特征，例如接触法线或摩擦系数。的AWP和CWC的结果在凸多面体，FWP，这原来是更真实的机器人的能力比现有的简化模型的描述，同时保持相同的紧凑表示的交集。我们解释了如何有效地计算的顶点描述的FWP，然后用于评估的可行性因素，我们从机器人抓取领域适应。这使我们能够优化外部干扰扳手的鲁棒性。在此基础上，我们提出了一个实现我们的四足机器人HyQ的运动规划，提供在线中心的质量（CoM）的轨迹，保证是静态稳定和一致的驱动。
2018-06-18 cs.RO
Continual Quadruped Robots Coordination via Semantic Skill Discovery
National Key Laboratory of Novel Software Technology, Nanjing University, Nanjing, China（新型软件技术国家重点实验室，南京大学，南京，中国）；School of Artificial Intelligence, Nanjing University, Nanjing, China（人工智能学院，南京大学，南京，中国）；Polixir Technologies, Nanjing, China（南京极智科技有限公司）
提出Conquer框架，通过语义技能库实现多四足机器人在持续学习任务中的协调，避免灾难性遗忘，最终平均成功率95.6%。
2026-06-11 cs.AI cs.MA cs.RO
CHIGLU: A Modular Hardware for Stepper Motorized Quadruped Robot $\unicode{x2014}$ Design, Analysis, Fabrication, and Validation
American International University-Bangladesh（孟加拉美国国际大学）；University of Dhaka（达卡大学）
本研究针对仿生四足机器人多步进电机控制需求，设计了可堆叠低成本控制器与微控制单元的模块化PCB硬件，经PDN仿真与DFM优化，实现12台步进电机控制，为多轴仿生机器人步进电机控制系统提供紧凑可靠的解决方案。
2024-08-26 cs.RO cs.SY eess.SY
Dynamically-Consistent Trajectory Optimization for Legged Robots via Contact Point Decomposition
Humanoid Robot Research Center, Korea Advanced Institute of Science and Technology（humanoid 机器人研究中心，韩国科学技术院）
本文提出基于接触点分解的腿式机器人相位轨迹优化框架，通过解耦接触点动力学、利用贝塞尔多项式特性保证约束满足，经四足机器人验证可生成动态可靠运动。
2026-08-27 cs.RO
Gait-Level Motion Design and Evaluation Framework for Grasp-Based Dynamic Locomotion in Microgravity
Department of Mechanical Science and Engineering at the University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校机械科学与工程系）
本文针对微重力环境下多肢体机器人系统基于抓取的动态移动问题，提出了一种可参数化的移动规划框架，通过调整步态模式、步长、移动速度和名义姿态等参数，评估其在稳定性和驱动需求方面的性能。研究结果表明，扩大可行接触力空间并抑制脉冲全身动力学可提升移动性能。
2026-09-28 cs.RO cs.SY eess.SY
A Feasibility-Driven Approach to Control-Limited DDP
Heriot-Watt University（赫瑞-瓦特大学）；University of Edinburgh（爱丁堡大学）；University of Oxford（牛津大学）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；LAAS-CNRS（法国国家科学研究中心系统分析与架构实验室）
微分动态规划（DDP）是一种求解轨迹优化的直接单发法。它的效率来自开发的时间结构（固有的最优控制问题）和显式推出/集成的系统动态。然而，它遭受的数值不稳定性，当与直接多重射击方法相比，它具有有限的初始化选项（允许初始化的控制，但不是状态），并缺乏适当的控制约束处理。在这项工作中，我们用可行性驱动的方法来解决这些问题，该方法在数值优化过程中调节动态可行性并确保控制极限。我们的可行性搜索模拟的直接多射击问题的数值分辨率，只有动力学约束。我们表明，我们的方法（名为BOX-FDDP）具有更好的数值收敛比BOX-DDP+（一个单一的拍摄方法），其收敛速度和运行时性能具有竞争力的国家的最先进的直接转录配方解决使用内点和活动集算法在KNITRO。我们进一步表明，BOX-FDDP单调减少动态可行性误差-在国家的最先进的非线性规划算法。我们证明了我们的方法产生复杂的运动和四足和人形机器人的运动的好处。最后，我们强调BOX-FDDP是适合足式机器人的模型预测控制。
2022-08-15 cs.AI cs.RO cs.SY
Whole-body Motion Control of an Omnidirectional Wheel-Legged Mobile Manipulator via Contact-Aware Dynamic Optimization
State Key Laboratory of Intelligent Manufacturing Equipment and Technology, School of Mechanical Science and Engineering, Huazhong University of Science and Technology（智能制造装备与技术国家重点实验室，机械科学与工程学院，华中科技大学）
提出一种配备灵巧机械臂的全向轮腿四足机器人，通过集成点接触与线接触建模的接触感知全身动态优化框架及统一运动学模型，实现敏捷全向移动与精确操作的实时统一控制。
2025-09-17 cs.RO
Dynamic modeling of wing-assisted inclined running with a morphing multi-modal robot
California Institute of Technology（加州理工学院）；Northeastern University（东北大学）
受鸟类启发的变形多模态机器人，通过动态建模与非线性模型预测控制实现翼辅助倾斜奔跑，并在仿真与实验中验证了其可行性。
2023-11-16 cs.RO cs.SY eess.SY
Reward-Based Collision-Free Algorithm for Trajectory Planning of Autonomous Robots
School of Aeronautics and Astronautics, Purdue University（航空宇航学院，普渡大学）
本文提出一种基于奖励的自主机器人任务规划算法，将问题建模为奖品收集旅行商问题的扩展，采用定制遗传算法结合微分平坦性、回旋曲线和欧拉螺旋方法生成曲率连续的无碰撞轨迹，并通过地面车辆、四旋翼和四足机器人仿真与实验验证了算法有效性。
2025-05-05 cs.RO cs.SY eess.SY
Frequency-Aware Model Predictive Control
Robotic Systems Lab, ETH Zurich（机器人系统实验室，苏黎世联邦理工学院）；Intel Labs, Munich, Germany（英特尔实验室，德国慕尼黑）
本文提出频率形状成本函数，用于在腿足机器人最优控制中实现鲁棒解决方案，通过仿真和硬件实验展示了运动计划与执行器带宽限制的兼容性，并在未建模合规性地形上实现了稳健行走。
2019-02-08 cs.RO cs.SY eess.SY
