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
Jumping Control for a Quadrupedal Wheeled-Legged Robot via NMPC and DE Optimization
Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（机械与自动化工程系，香港中文大学）
本文提出了一种结合NMPC和DE优化的四足轮腿机器人跳跃控制方法，实现了多种跳跃动作并验证了其有效性。
2026-02-25 cs.RO
Quadruped-Frog: Rapid Online Optimization of Continuous Quadruped Jumping
Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院）
针对四足机器人离线跳跃控制难以匹配真实动力学的问题，提出在硬件上用贝叶斯优化快速调参足部力曲线，并结合阻抗与虚拟模型控制，实现Go1多方向、崎岖地形连续跳跃。
2024-03-11 cs.RO
TAMOLS: Terrain-Aware Motion Optimization for Legged Systems
ETH Zurich（苏黎世联邦理工学院）
地形的几何形状，在一般情况下，非平滑，非线性，非凸，如果通过机器人为中心的视觉单元感知，出现部分闭塞和嘈杂。这项工作提出了完整的控制流水线能够处理上述问题的实时。我们制定了一个轨迹优化问题，共同优化的基础姿势和立足点，高度图。为了避免收敛到不需要的局部最优，我们部署了一个渐进的优化技术。我们嵌入一个紧凑的，接触力自由的稳定性准则，是兼容的非平坦地面制定。直接配置作为转录方法，导致在一个非线性优化问题，可以解决在线在不到十毫秒。为了提高鲁棒性，在存在外部干扰，我们关闭的跟踪回路与动量观测器。我们的实验演示爬楼梯，走在垫脚石上，并在差距，利用各种动态步态。
2022-07-05 cs.RO
Multi-Layered Safety for Legged Robots via Control Barrier Functions and Model Predictive Control
ETH Zürich（苏黎世联邦理工学院）；California Institute of Technology（加州理工学院）
在崎岖地形上的动态运动的问题，既需要准确的脚放置在一起的动态稳定性的重点。解决这个问题的现有方法优先考虑即时安全的足部放置而不是长期的动态稳定性考虑，或者将足部放置和动态稳定性的协调降级为探试法。我们提出了一个多层次的运动框架，统一控制障碍函数（CBFs）与模型预测控制（MPC），同时实现安全的脚放置和动态稳定。我们的方法采用CBF为基础的安全约束，在低频kino-dynamic MPC制定和高频逆动力学跟踪控制器。这确保了在较长时间范围内优化运动时考虑安全关键执行。我们验证了所提出的方法在一个三维踏脚石的情况下，在模拟和实验上的ANYmal四足动物平台。
2021-06-03 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
Safety-critical Motion Planning for Collaborative Legged Loco-Manipulation over Discrete Terrain
University of Southern California（南加州大学）
本研究提出一种基于全局与去中心化模型预测控制及自适应全身控制器的安全运动规划方法，解决腿足机器人在离散地形上协同操作未知载荷并避障的问题，并在仿真与硬件实验中验证了其有效性。
2024-10-14 cs.RO
Cat-like Jumping and Landing of Legged Robots in Low-gravity Using Deep Reinforcement Learning
ETH Zurich（苏黎世联邦理工学院）
在这篇文章中，我们表明，学习的政策可以应用于解决腿运动控制任务与广泛的飞行阶段，如在太空探索中遇到的。使用现成的深度强化学习算法，我们训练了一个神经网络来控制一个跳跃的四足机器人，同时只使用它的四肢进行姿态控制。我们目前的任务越来越复杂，导致一个四足机器人穿越模拟低重力天体的三维（重）方向和着陆运动行为的组合。我们表明，我们的方法很容易概括这些任务，并成功地训练每种情况下的政策。使用仿真到现实迁移，我们部署在现实世界中的SpaceBok机器人放置在一个实验测试平台上的二维微重力实验设计的训练政策。实验结果表明，具有自然敏捷性的重复、受控跳跃和着陆是可能的。
2021-06-17 cs.RO
Modeling and Control of a Hybrid Wheeled Jumping Robot
School of Informatics, The University of Edinburgh（爱丁堡大学信息学院）；Shenzhen Institute for Artificial Intelligence and Robotics for Society (AIRS)（深圳市人工智能与机器人研究院）；Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
在本文中，我们研究了一个轮式机器人与棱柱延伸关节。这允许机器人建立动量来执行跳过障碍物，并在失去平衡后摆动到直立位置。我们提出了一个模板模型，这样的两轮跳跃机器人的类。该模型可以看作是最简单的轮腿系统。我们提供了一个分析推导的系统动力学，我们使用内部的模型预测控制器（MPC）。我们研究了模型的行为，并展示了高度动态的运动，如摆动和跳跃。此外，这些运动是通过第一原理优化发现的。我们评估控制器在各种任务和不平坦的地形在模拟器。
2020-08-03 cs.RO cs.SY eess.SY
Continuous Versatile Jumping Using Learned Action Residuals
University of Washington（华盛顿大学）；Google（谷歌）
本文提出融合最优控制与强化学习的分层框架，通过学习动作残差增强手动加速度控制器，使四足机器人能够直接从仿真部署到实机并完成连续多功能跳跃。
2023-04-17 cs.AI cs.LG cs.RO
Contact-timing and Trajectory Optimization for 3D Jumping on Quadruped Robots
University of Southern California（南加州大学）
在长时间的飞行阶段进行高度敏捷的杂技动作需要完美的时机，高精度和全身运动的协调。为了解决这些挑战，我们提出了一种新的方法的时机和轨迹优化框架进行侵略性的3D跳跃的足式机器人。在我们的方法中，我们首先利用一个有效的优化框架，使用简化的刚体动力学来解决接触时间和机器人身体的参考轨迹。该模块的解决方案，然后用于制定一个完整的身体轨迹优化的基础上完全非线性动力学的机器人。这种组合使我们能够有效地优化接触时间，同时确保跳跃轨迹可以在机器人硬件中有效地实现。我们首先验证了A1机器人模型上的各种3D跳跃任务，如双后空翻的高海拔2米的建议框架的效率。实验验证，然后成功地进行了各种积极的三维跳跃运动，如对角跳，桶滚，双桶滚从一个盒子的高度分别为0.4米和0.9米。
2022-08-24 cs.RO cs.SY eess.SY
Martian Lava Tube Exploration Using Jumping Legged Robots: A Concept Study
Norwegian University of Science and Technology（挪威科技大学）
针对火星熔岩管复杂地形挑战，本文提出并介绍了一种新型跳跃足式机器人的设计、能力及任务概况，以克服传统轮式系统的局限并实现洞穴探索与采样。
2023-10-23 cs.RO
Variable-Frequency Model Learning and Predictive Control for Jumping Maneuvers on Legged Robots
University of Southern California（南加州大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）；Kuwait University（科威特大学）
针对足式机器人长飞行阶段动态跳跃动作精度与鲁棒性不足的问题，提出结合变频模型学习与变频MPC的控制方法，经硬件实验验证，跳跃距离误差显著降低，在不平地形也表现优异。
2024-12-06 cs.RO
Design and Experimental Verification of a Jumping Legged Robot for Martian Lava Tube Exploration
Autonomous Robots Lab, NTNU（挪威科技大学自主机器人实验室）
针对火星熔岩管探测需求，研究人员设计了一款腿部构型可适配双足/四足系统、采用五杆机构加弹簧结构的跳跃式足式机器人，经实验与仿真验证其在地球和火星重力下均具备较强跳跃能力，适用于低重力障碍环境探测。
2023-11-07 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
Versatile, Robust, and Explosive Locomotion with Rigid and Articulated Compliant Quadrupeds
Cognitive Robotics, Delft University of Technology（代尔夫特理工大学认知机器人学系）；University of Trento（特伦托大学）；University of Manchester（曼彻斯特大学）；Institute of Robotics and Mechatronics, German Aerospace Center (DLR)（德国航空航天中心机器人与机电一体化研究所）
针对并联柔顺四足机器人控制难题，提出带躯干旋转的双足驱动弹簧加载倒立摆模板模型及双层轨迹优化流程，通过硬件实验验证其可生成多种动态运动，并联弹性能增强爆发性与鲁棒性。
2025-04-17 cs.RO
Co-jump: Cooperative Jumping with Quadrupedal Robots via Multi-Agent Reinforcement Learning
Adaptive Robotic Controls Lab (ArcLab), Department of Mechanical Engineering, University of Hong Kong（香港大学机械工程系自适应机器人控制实验室）；EngineAI
本研究通过多智能体强化学习实现四足机器人协同跳跃，显著提升垂直跳跃能力，无需显式通信或预设运动原语。
2026-02-11 cs.AI cs.LG cs.RO
Full-Order Sampling-Based MPC for Torque-Level Locomotion Control via Diffusion-Style Annealing
Carnegie Mellon University（卡内基梅隆大学）
提出DIAL-MPC，一种基于扩散式退火的采样MPC框架，通过在线迭代优化实现全阶四足动力学实时控制，无需训练即显著降低跟踪误差并超越RL策略。
2024-09-23 cs.RO
Design of a Jumping Control Framework with Heuristic Landing for Bipedal Robots
University of California, Los Angeles（加州大学洛杉矶分校）
本文提出一种带启发式着陆的双足机器人跳跃控制框架，利用腾空阶段动量反馈更新着陆位置以减少冲击，结合改进运动学-动力学规划器与全身动力学低级控制器，实现高效鲁棒的多类跳跃任务。
2023-04-02 cs.RO
Multi-contact Stochastic Predictive Control for Legged Robots with Contact Locations Uncertainty
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tandon School of Engineering, New York University（纽约大学坦登工程学院）；Munich Institute of Robotics and Machine Intelligence, Technical University of Munich（慕尼黑工业大学慕尼黑机器人与机器智能研究所）；University of Trento（特伦托大学）
提出面向腿足机器人的SNMPC全身轨迹优化方法，通过动力学加性不确定性和接触位置机会约束提升安全性，四足机器人蒙特卡洛实验实现100%成功率。
2024-06-12 cs.RO cs.SY eess.SY
GLiDE: Generalizable Quadrupedal Locomotion in Diverse Environments with a Centroidal Model
University of British Columbia（不列颠哥伦比亚大学）；NVIDIA（英伟达）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
用于腿部运动的无模型强化学习（RL）通常依赖于物理模拟器，其可以准确地预测机器人的每个自由度的行为。相反，近似降阶模型通常用于许多模型预测控制策略。在这项工作中，我们放弃了在RL中使用高保真动力学模型的传统方法，而是试图了解当将RL与一个更简单的质心模型应用于四足运动时可以实现什么。我们表明，基于RL控制的质心模型的加速度是令人惊讶的有效，当结合二次规划，以实现通过地面接触力的命令的行动。它允许简单的奖励结构、降低的计算成本和鲁棒的仿真到现实迁移。我们通过演示平坦地形步态，踏脚石运动，两条腿的地方平衡，平衡梁运动，并直接仿真到现实迁移的方法的一般性。
2022-02-15 cs.LG cs.RO
Diffusion-based learning of contact plans for agile locomotion
Munich Institute of Robotics and Machine Intelligence, Technical University of Munich, Germany（慕尼黑机器人与机器智能研究所，慕尼黑技术大学）；Tandon School of Engineering, New York University, USA（纽约大学土曼工学院）；Max-Planck Institute for Intelligent Systems, Tübingen, Germany（马克斯·普朗克智能系统研究所，图宾根）
本文提出结合NMPC、MCTS和扩散模型的方法，为四足机器人在踏脚石等受限环境中学习敏捷运动控制策略，并成功实现跳跃目标。
2025-06-23 cs.RO
Selecting Mechanical Parameters of a Monopode Jumping System with Reinforcement Learning
University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）
腿式系统与轮式系统相比有许多优点。例如，他们可以更容易地在极端、不平坦的地形上航行。然而，也有缺点，特别是在模拟系统的非线性方面的困难。研究表明，在腿式机车系统中使用柔性部件可以提高性能指标，例如效率和运行速度。由于在建模柔性系统时遇到的困难，诸如强化学习之类的控制方法可用于定义控制策略。此外，强化学习的任务可以是学习系统的机械参数以匹配控制输入。它示出在这项工作中，当部署强化学习，以找到一个弹簧棒跳跃系统的设计参数，设计的代理学习是最佳的设计空间内提供给代理。
2022-12-02 cs.AI cs.RO
Olympus: A Jumping Quadruped for Planetary Exploration Utilizing Reinforcement Learning for In-Flight Attitude Control
NTNU（挪威科技大学）；Autonomous Robots Lab（自主机器人实验室）
本文介绍了专为火星重力设计的跳跃腿式机器人Olympus，通过仿真优化其设计以实现高效跳跃，并利用强化学习策略实现飞行中姿态控制，成功跨越仿真到现实鸿沟完成实验验证。
2025-03-05 cs.LG cs.RO
Legged Locomotion in Challenging Terrains using Egocentric Vision
Carnegie Mellon University（卡内基梅隆大学）；UC Berkeley（加州大学伯克利分校）
动物能够利用视觉精确而敏捷地移动。复制这种能力一直是机器人技术的长期目标。传统的方法是将这个问题分解为高程映射和立足点规划阶段。然而，高程映射易受故障和大噪声伪影的影响，需要专门的硬件，并且在生物学上是不可信的。在本文中，我们提出了第一个端到端的运动系统能够穿越楼梯，路边石，踏脚石，和差距。我们展示了一个中型的四足机器人使用一个单一的前置深度摄像头的结果。机器人的小尺寸需要发现在其他地方看不到的特殊步态模式。自我中心的相机要求策略记住过去的信息，以估计其后脚下的地形。我们在模拟中训练我们的策略。训练有两个阶段-首先，我们使用强化学习和深度图像的廉价计算变体来训练策略，然后在阶段2中，使用监督学习将其提取为使用深度的最终策略。由此产生的政策转移到现实世界中，并能够在机器人的有限的计算实时运行。它可以穿越各种各样的地形，同时对推力，光滑表面和岩石地形等扰动具有鲁棒性。视频在https://vision-locomotion.github.io
2022-11-14 cs.AI cs.CV cs.LG
DeepGait: Planning and Control of Quadrupedal Gaits using Deep Reinforcement Learning
Robotic Systems Lab, ETH Zürich（苏黎世联邦理工学院机器人系统实验室）
本文研究了非平坦地形下的步行问题。由于诸如四足动物的足式机器人将被部署在具有难以建模和预测的几何形状的地形中，因此需要使它们具有很好地推广到不可预见的情况的能力。在这项工作中，我们提出了一种新的技术，训练神经网络的政策，地形感知运动，它结合了最先进的方法，基于模型的运动规划和强化学习。我们的方法是集中在制定马尔可夫决策过程中使用的评价动态可行性标准的物理模拟。因此，我们采用政策梯度的方法来独立的训练政策，分别计划和执行立足点和基础运动在3D环境中使用本体感受和外感受测量。我们应用我们的方法在一个具有挑战性的模拟地形的情况下，其中包含的功能，如狭窄的桥梁，差距和踏脚石，和训练政策，成功地在所有情况下，有效地进行。
2020-01-31 cs.LG cs.RO
Learning Highly Dynamic Skills Transition for Quadruped Jumping Through Constrained Space
University of Hong Kong（香港大学）；University of Oxford（牛津大学）
该研究提出分层强化学习框架，结合模仿学习训练低级技能、高级控制器视觉感知规划轨迹，实现四足机器人自主敏捷穿越狭窄门，还可扩展至其他高动态任务。
2026-08-21 cs.RO
Agile Continuous Jumping in Discontinuous Terrains
University of Washington（华盛顿大学）；Carnegie Mellon University（卡内基梅隆大学）；Google Deepmind（谷歌DeepMind）
研究四足机器人在不连续地形中的敏捷连续跳跃问题，提出分层学习与控制框架，结合高度图预测、强化学习运动策略和模型控制器，实现Unitree Go1在楼梯和踏脚石上的连续跳跃并优于基线方法。
2024-09-20 cs.RO
SiMPLeR: A Series-Elastic Manipulator with Passive Variable Stiffness for Legged Robots
Saratoga High School（萨拉托加高中）；University of Michigan（密歇根大学）
我们提出了一种机械简单，成本低廉的设计，一系列的弹性致动器与可控刚度。这些特性对于动物的奔跑、跳跃、投掷和操纵是必要的，然而在机器人中，变刚度致动器要么很复杂，要么通过反馈控制器在低带宽下模仿。需要一个强大而简单的设计来建造可靠而廉价的具有动物能力的机器人。我们设计的关键是将扭转弹簧连接到正时皮带上，以创建可变刚度线性弹簧。在对抗对中，改变电机和关节之间的距离则改变致动器刚度。我们建立了一个原型，我们提出的致动器，显示的理论行为相匹配的实验表征，并展示了应用机器人单腿跳跃。
2021-06-20 cs.RO
Optimizing energy consumption for legged robot by adapting equilibrium position and stiffness of a parallel torsion spring
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）
本文针对腿足机器人能耗优化问题，提出一种由扭转弹簧与伺服驱动蜗轮蜗杆组成的自适应扭转弹簧机构，通过调整弹簧平衡位置和刚度补偿扭矩、降低电机负载，仿真验证其可显著降低能耗。
2024-11-27 cs.RO
Quadrupeds for Planetary Exploration: Field Testing Control Algorithms on an Active Volcano
Robotics Innovation Center, DFKI GmbH（机器人创新中心，DFKI GmbH）；German Aerospace Center, Institute of Space Systems（德国航空航天中心，空间系统研究所）；University of Bremen（不莱梅大学）
为验证四足机器人行星探测相关算法，DFKI在AAPLE项目中于武尔卡诺活火山开展实地测试，验证了新型自适应最优控制算法在类月火地形中的有效性，介绍了测试的技术方案与结果。
2025-10-21 cs.RO
Traversing Environments Using Possibility Graphs for Humanoid Robots
Georgia Institute of Technology（佐治亚理工学院）
足式机器人在遇到障碍物和恶劣环境时，其运动会带来相当大的挑战。足迹规划器通常仅针对一种运动模式而设计，但穿越不利环境可能需要将几种运动形式排序在一起，例如步行、爬行和跳跃。多模态运动规划器可以用来解决这些问题中的一些，但现有的实现往往是耗时的，并限于准静态动作。本文提出了一种运动规划方法，使用多种类别的行动穿越复杂的环境。我们引入了“可能性图”的概念，它使用高层次的近似约束流形快速探索的“可能性”的行动，从而使较低层次的单动作运动规划者更有效地利用。我们表明，可能性图可以快速找到路径，通过几个不同的具有挑战性的环境，需要各种组合的行动，以遍历。
2016-08-12 cs.AI cs.RO
RAMIEL: A Parallel-Wire Driven Monopedal Robot for High and Continuous Jumping
The University of Tokyo（东京大学）
本研究提出一种由6根绳索控制、具备1个直线与2个转动自由度的并联绳驱动腿部结构，研发出单足机器人RAMIEL，验证其可实现1.6米最大跳高技术指标与最多7次连续跳跃，兼顾高跳与连续跳跃能力。
2023-11-08 cs.RO
Pinto: A latched spring actuated robot for jumping and perching
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究针对树栖环境机器人运动难题，开发了450克的小型机器人Pinto，采用带扭绳和碳纤维弹簧的锁存串联弹性驱动器及五杆腿机构，可实现高能量跳跃与连续弹跳控制，还配备带棘爪夹持器的弹性2自由度手臂完成跳跃后高速栖息，验证了并联弹性储能相比传统策略的优势。
2024-09-13 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
Impedance Optimization for Uncertain Contact Interactions Through Risk Sensitive Optimal Control
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）
本文讨论的问题，计算最佳阻抗的腿运动任务涉及复杂的接触相互作用的时间表。我们制定的问题阻抗调节作为干扰抑制和测量不确定性之间的权衡。我们扩展了随机最优控制算法称为风险敏感控制，考虑到测量的不确定性，并提出了一个正式的方法，包括未知的接触位置的不确定性。该方法可以有效地生成最优状态和控制轨迹以及局部反馈控制增益，即阻抗时间表。大量的模拟表明，该方法在产生有意义的刚度和阻尼调制模式之前和之后的接触相互作用的能力。例如，接触力在早期接触期间减小，阻尼增加以预期高冲击事件，并且跟踪自动地权衡以增加稳定性。特别是，我们表现出一个显着的性能改善，在跳跃和小跑任务与模拟四足机器人。
2021-01-25 cs.RO cs.SY eess.SY
Verifying Safe Transitions between Dynamic Motion Primitives on Legged Robots
California Institute of Technology（加州理工学院）
本文提出一种形式化方法，用于确定足式机器人动态运动基元间安全转换的动态状态感知条件，构建可遍历的运动基元图以实现功能自主，并在四足机器人上验证了站立、行走、跳跃等基元及其转换。
2023-09-14 cs.RO
CLIO: a Novel Robotic Solution for Exploration and Rescue Missions in Hostile Mountain Environments
University of Trento（特伦托大学）；University of Batna 2（巴特纳第二大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
本文提出绳索辅助攀爬机器人CLIO，通过绳索与单腿跳跃相结合实现接近垂直山坡上的重载移动，并利用最优控制与简化模型实现快速轨迹生成，仿真验证了其有效性与可达性。
2023-04-14 cs.RO
A Long-Legged, Direct-Drive Monopedal Robot Achieves Exceptional Jump Height
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究提出一种281克直驱单足机器人，利用长腿和织物包裹传动实现7.6米高、190毫秒触地的跳跃，无需弹性储能，并验证了姿态控制与倾斜跳跃能力。
2026-09-28 cs.RO
A Co-Design Framework for High-Performance Jumping of a Five-Bar Monoped with Actuator Optimization
Indian Institute of Science (IISc)（印度科学研究所）；Department of Cyber-Physical Systems (CPS), Indian Institute of Science (IISc)（印度科学研究所网络物理系统系）
本文提出一种五连杆单足跳跃机器人协同设计框架，通过优化机械结构、电机和减速器参数及控制参数，提升跳跃距离并降低能耗。
2026-07-07 cs.RO
Modeling and In-flight Torso Attitude Stabilization of a Jumping Quadruped
National Technical University of Athens（雅典国立技术大学）；Norwegian University of Science and Technology（挪威科技大学）
本文研究了低重力环境下跳跃四足机器人的建模与姿态控制，提出基于NMPC的分层控制架构及力矩分配策略，实现飞行中躯干姿态稳定，仿真与实验验证了其有效性。
2024-10-12 cs.RO
Impedance Matching: Enabling an RL-Based Running Jump in a Quadruped Robot
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出基于频域阻抗匹配的仿真到现实迁移框架，缩小仿真与现实差距，使四足机器人实现基于强化学习的55厘米远、38厘米高助跑跳跃及多方向稳定行走。
2024-04-30 cs.LG cs.RO
SpaceHopper: A Small-Scale Legged Robot for Exploring Low-Gravity Celestial Bodies
ZHAW（苏黎世应用科学大学）；ETH Zurich（苏黎世联邦理工学院）
本研究提出三足小型探测机器人SpaceHopper，采用深度强化学习控制腿部实现飞行中姿态调整，在低重力模拟中可跳6米，实物实验验证了姿态调整与跳跃能力，为低重力天体可控跳跃探测提供了新方案。
2024-03-05 cs.RO
SF-TIM: A Simple Framework for Enhancing Quadrupedal Robot Jumping Agility by Combining Terrain Imagination and Measurement
State Key Laboratory of Modern Optical Instrumentation, Zhejiang University, China（浙江大学现代光学仪器国家重点实验室）；School of Artificial Intelligence and Robotics and National Engineering Research Center of Robot Visual Perception and Control Technology, Hunan University, China（湖南大学人工智能与机器人学院和机器人视觉感知与控制技术国家工程研究中心）；State Key Laboratory of Industrial Control Technology, Zhejiang University, China（浙江大学工业控制技术国家重点实验室）；DeepRobotics Co. Ltd., China（深睿科技有限公司）
本文提出SF-TIM框架，通过结合地形想象与测量及地形引导奖励设计，增强四足机器人跳跃敏捷性并保留盲走能力，同时引入高程图生成框架实现零样本仿真到现实迁移，在大小型机器人上验证了有效性。
2025-07-14 cs.RO
DTC: Deep Tracking Control
Robotic Systems Lab, ETH Zurich（苏黎世联邦理工学院机器人系统实验室）；Boston Dynamics AI Institute（波士顿动力人工智能研究所）
本文提出混合控制架构DTC，结合基于模型的轨迹优化与深度强化学习，在稀疏、湿滑和可变形地形上同时提升足式运动的鲁棒性、落脚点准确性和跨轨迹优化方法的泛化能力。
2024-01-22 cs.LG cs.RO cs.SY
Reinforcement Learning from Wild Animal Videos
LAAS-CNRS；Université de Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）；Artificial and Natural Intelligence Toulouse Institute（图卢兹人工与自然智能研究所）
本文提出RLWAV方法，通过训练视频分类器识别野生动物视频中的动作，并以分类分数为奖励训练多技能策略，实现四足机器人在无参考轨迹下学习行走、跳跃等技能。
2024-12-05 cs.CV cs.LG cs.RO
CAJun: Continuous Adaptive Jumping using a Learned Centroidal Controller
University of Washington（华盛顿大学）；Carnegie Mellon University（卡内基梅隆大学）；Google DeepMind（谷歌DeepMind）
CAJun框架结合强化学习质心策略与最优控制腿部控制器，使Go1机器人经20分钟GPU训练即可实现最大70cm间隙的连续自适应跳跃，比现有方法宽40%以上。
2023-10-27 cs.RO
Rough-Terrain Locomotion and Unilateral Contact Force Regulations With a Multi-Modal Legged Robot
Northeastern University（东北大学）
尽管足式机器人的设计者取得了许多成就，但最先进的双足机器人容易摔倒，不能通过极其粗糙的地形，也不能直接调节单侧接触力。我们的目标是在一个平台上集成腿式和空中机器人的优点。我们将表明，在一个双足足式机器人称为哈比的推进器可以利用稳定的机器人的正面动力学，并允许跳过大的障碍，这是一个不寻常的能力没有报道过。此外，我们将利用Harpy中的推进器动作，并将表明可以通过使用参考调速器（RGs）直接调节接触力来避免使用昂贵的基于优化的方案。我们将解决步态参数，并重新规划他们在步态周期只假设良好的调整监督控制器。然后，我们将专注于基于RG的微调关节所需的轨迹，以满足单边接触力的约束。
2021-03-29 cs.RO cs.SY eess.SY
Development of Bidirectional Series Elastic Actuator with Torsion Coil Spring and Implementation to the Legged Robot
Sony Interactive Entertainment（索尼互动娱乐）
本研究开发了一种使用螺旋弹簧的小型轻量化双向串联弹性执行器（SEA），并将其应用于小型单腿机器人，通过跌落测试验证了其在冲击吸收、能量再利用及实现柔性着陆和连续跳跃方面的有效性。
2024-09-24 cs.RO
Convex Optimization in Legged Robots
University of California - San Diego（加州大学圣地亚哥分校）
本文综述了凸优化在有腿机器人控制中的应用，提出了将主动平衡问题表述为二阶锥规划的通用框架，并探讨了零力矩点准则、LQR和反馈MPC等方法以提升预测精度和降低计算成本，最终应用于跳跃和着陆任务的稳定控制。
2023-06-30 cs.RO math.OC
The Effect of Tail Stiffness on a Sprawling Quadruped Locomotion
University of Galway（高威大学）；University of Notre Dame（圣母大学）
本研究通过在欠驱动匍匐式四足机器人上添加由单个伺服电机控制刚度的多节段缆绳驱动柔性尾巴，证明了可变刚度尾巴相比刚性尾巴或无尾巴能显著提升机器人在崎岖地形上的稳定性和攀爬能力。
2023-04-09 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
A Unified Model with Inertia Shaping for Highly Dynamic Jumps of Legged Robots
Imperial College London（伦敦帝国理工学院）；University of Edinburgh（爱丁堡大学）
为了实现足式机器人的高动态跳跃，必须控制机器人的旋转动力学。在本文中，我们的目标是提高跳跃性能，提出了一个统一的模型规划高度动态跳跃，可以近似模型的质心惯性。这个模型抽象的机器人作为一个单一的刚体的基础和点质量的腿。该模型被称为块状腿单刚体模型（LL-SRBM），可用于规划两足和四足机器人的运动。通过考虑腿动力学的影响，LL-SRBM提供了一个计算效率高的方式，运动规划器来改变质心惯性的机器人与各种腿配置。同时，我们提出了一种新的接触检测方法，通过使用平均空间速度的范数。在检测到接触之后，控制器切换到力控制以实现软着陆。两足机器人SLIDER和四足机器人ANYmal的扭转跳跃和前向跳跃实验表明，通过主动改变质心惯性，跳跃性能得到了改善。这些实验也显示了综合规划和控制框架的通用性和鲁棒性。
2021-09-09 cs.RO cs.SY eess.SY
Impact-Invariant Control: Maximizing Control Authority During Impacts
针对足式机器人动态碰撞时速度反馈控制难、碰撞不确定性影响大的问题，提出将控制目标投影到碰撞不变子空间的通用框架，在多类控制器和机器人上验证了性能优势，易部署且为实体机器人应用提供关键支撑。
2024-07-10 cs.RO
