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
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
Learning Spring Mass Locomotion: Guiding Policies with a Reduced-Order Model
Oregon State University(俄勒冈州立大学);Collaborative Robotics and Intelligent Systems Institute(协作机器人与智能系统研究所)
在本文中,我们描述了一种方法来实现物理机器人的动态腿运动,结合现有的控制方法与强化学习。具体来说,我们的目标是一个控制层次结构,其中最高级别的行为通过降阶模型来规划,降阶模型描述了腿部运动的基本物理原理,而较低级别的控制器则利用学习策略,可以弥合理想化的简单模型和复杂的全阶机器人之间的差距。高级规划器可以使用环境的模型并且是特定于任务的,而低级学习控制器可以执行各种各样的动作,以便它适用于许多不同的任务。在这封信中,我们描述了这种学习动态步行控制器,并表明,从降阶模型的步行运动的范围可以用作命令和学习策略的主要训练信号。由此产生的策略不试图天真地跟踪运动(如传统的轨迹跟踪控制器将),而是平衡即时运动跟踪与长期稳定性。由此产生的控制器上演示了人的规模,不受约束,不受约束的双足机器人的速度高达1.2米/秒。这封信建立了一个通用的,动态学习步行控制器,可以应用于许多不同的任务的基础。
2021-03-11 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
Push recovery with stepping strategy based on time-projection control
EPFL(洛桑联邦理工学院)
在本文中,我们提出了一个简单的控制框架与动态步进性能的在线推送恢复。由于我们的机器人腿相对较重,我们需要考虑摆动动力学,因此使用一个称为3LP的线性模型,该模型由三个关节组成,以模拟摆动和躯干动力学。基于3LP方程,我们制定离散LQR控制器,并使用一个特定的时间投影方法来调整下一个足迹的位置在线连续的运动过程中。这种基于骨盆和摆动脚跟踪误差的调整自然会考虑摆动动力学。建议的调整被添加到笛卡尔3LP步态,并通过逆运动学转换为关节空间轨迹。固定和自适应的脚抬起策略也确保了在扰动的步行条件下有足够的离地间隙。所提出的结构是鲁棒的,但使用非常简单的状态估计和基本的位置跟踪。我们依靠物理串联弹性致动器来吸收冲击,同时引入简单的法律来补偿其跟踪偏差。大量的实验证明了不同的控制块的功能,并证明了时间投影在极端推恢复场景的有效性。我们还显示自产和紧急行走步态时,机器人受到持续的拖曳力。这些步态的特点是动态步行鲁棒性,由于相对柔软的弹簧在脚踝和避免任何零力矩点(ZMP)控制,在我们提出的架构。
2018-01-07 cs.RO
Imprecise dynamic walking with time-projection control
EPFL(洛桑联邦理工学院)
我们提出了一种新的步行脚放置控制器的基础上,3LP,一个3D模型的双足步行,是由三个双足模拟下降,摆动和躯干动力学。利用线性方程组和封闭形式的解决方案的3LP模型,我们提出的控制器项目的中间状态的控制器回到一个离散的LQR控制器的设计阶段的开始。投影后,一个适当的控制策略是由这个LQR控制器产生,并在中间时间使用。这种控制模式对干扰立即做出反应,并包括考虑挥杆动力学和腿缩回的规则。我们将其应用到一个模拟的阿特拉斯机器人的位置控制,总是命令执行原地行走。站立髋关节在我们的机器人保持躯干直立,让机器人自然下降,摆动髋关节跟踪所需的脚步位置。结合简单的压力中心(CoP)阻尼规则在低级别的控制器,我们的脚放置使机器人能够从强大的推力恢复,并产生周期性的步行步态时,受到持续的干扰源,外部或内部。这些步态是不精确的,即,从不对称源出现,而不是精确地将所需的速度施加给机器人。此外,在极端条件下,限制线性假设的3LP模型往往被违反,但系统仍然强大的在我们的模拟。对闭环特征值、可行区域和对推定时的敏感性的广泛分析进一步证明了我们简单控制器的优势。
2018-11-09 cs.RO
A Hierarchical Framework to Generate Robust Biped Locomotion Based on Divergent Component of Motion
IEETA(电子与信息工程研究院);University of Aveiro(阿威罗大学)
保持稳定性是人形机器人走出实验室进入现实环境的基本能力。由于人形机器人具有与人类相似的运动学,因此人类期望这些机器人即使在具有挑战性的情况下也能够鲁棒地稳定,例如当施加严重的推动时。本文提出了一种鲁棒的步行框架,它不仅考虑了传统的推送恢复方法(例如,踝关节、髋关节和步伐策略),而且还使用运动发散分量(DCM)的概念来调整下一步的时间和位置。所提出的框架的控制核心是由一个线性二次高斯(LQG)控制器和两个比例控制器。在这个框架中,LQG控制器试图跟踪参考轨迹,比例控制器被设计为调整下一步的时间和位置,使机器人从严重的推动中恢复。所提出的框架的鲁棒性和性能进行了验证,通过执行一组模拟,包括步行和推恢复使用MATLAB。仿真结果验证了所提出的框架是能够提供一个强大的行走,即使在非常具有挑战性的情况下。
2019-11-18 cs.RO
Online DCM Trajectory Generation for Push Recovery of Torque-Controlled Humanoid Robots
Italian Institute of Technology(意大利理工学院);University of Genoa(热那亚大学)
我们提出了一种计算效率高的方法,用于在线规划双足步行轨迹与推动恢复。特别是,所提出的方法适合的控制架构,其中发散分量的运动(DCM)是事先计划,并增加了一个步骤适配器,以调整计划的轨迹,实现推动恢复。假设机器人处于单支撑状态,步骤适配器为下一步骤生成新的位置和定时。步进适配器仅在单支撑阶段是活动的,但是所提出的扭矩控制架构也考虑双支撑阶段。步长适配器设计的关键思想是使用时变ZMP轨迹的指数插值来施加初始和最终DCM步长值。这允许我们将推恢复问题转换为二次规划(QP)问题,并使用最先进的优化器在线求解。整体方法进行了验证与扭矩控制的33公斤人形机器人iCub的模拟。实验结果表明,该策略能有效地防止人形机器人在以0.28 m/s的速度行走时摔倒,并能在150 N的外力作用下保持0.05 s。
2019-10-14 cs.RO
Robust Push Recovery on Bipedal Robots: Leveraging Multi-Domain Hybrid Systems with Reduced-Order Model Predictive Control
Department of Mechanical and Civil Engineering, California Institute of Technology(机械与土木工程系,加州理工学院)
本文提出一种将双足运动的混合系统模型与降阶模型预测控制相统一的框架,用于实现双足机器人运动中的鲁棒推力恢复,在仿真中验证了其在动态环境下的稳定性和实时可行性。
2025-04-25 cs.RO
Multi-Domain Walking with Reduced-Order Models of Locomotion
California Institute of Technology(加州理工学院)
受人类多域行走启发,提出基于多域线性倒立摆模型的机器人多域行走框架,在Cassie机器人上验证了其可行性、速度跟踪能力与抗推鲁棒性,打通了降阶模型与全阶多接触运动的壁垒。
2023-10-04 cs.RO
Modeling of Visco-Elastic Environments for Humanoid Robot Motion Control
Istituto Italiano di Tecnologia(意大利理工学院);University of Genoa(热那亚大学)
本文提出了一种用于时间关键型人形机器人运动控制的柔顺接触模型。所提出的模型认为环境作为一个连续的弹簧阻尼系统,这使我们能够计算等效的接触力和扭矩的环境施加在接触表面上。我们表明,所提出的模型扩展了线性和旋转弹簧和阻尼器-经典的用于表征软地形-的情况下,大的接触面方向。然后,接触模型用于实时全身控制的人形机器人行走在粘弹性环境。通过仿真iCub人形机器人的行走运动,验证了该方法的有效性。此外,本文比较了所提出的全身控制策略和最先进的方法。在这方面,我们调查的地形顺应性,使经典的方法假设刚性接触失败。最后,我们分析了所提出的控制设计的非参数不确定性的接触模型的鲁棒性。
2021-05-30 cs.RO
Walking Control Based on Step Timing Adaptation
Max-Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Google X(谷歌X);K. N. Toosi University of Technology(托西斯理工大学);New York University(纽约大学)
步距调整可以提高仿人机器人步态的鲁棒性,但步距调整往往被忽略,因为步距调整在多步优化时会产生非凸问题。在本文中,我们认为,这是没有必要的,以确保步态的可行性,并表明它是足够的,只需选择下一步的时间和位置优化步行。利用这一见解,我们提出了一种新的步行模式发生器,最佳选择步骤的位置和时间在每个控制周期。与文献中的标准方法相比,我们的方法在计算上是简单的,但可以保证任何可行的状态在未来仍然是可行的。我们提出了一种摆动脚适应策略,并集成了模式发生器与逆动力学控制器,不显式控制的质量中心,也没有脚的压力中心。这对于对足部压力中心具有有限控制权限的机器人(例如具有点足或被动踝关节的机器人)特别有用。广泛的模拟与被动脚踝的人形机器人上展示的能力的方法在各种步行的情况下,包括外部推动和脚滑移,并强调步定时适应稳定行走的重要性。
2020-03-18 cs.RO
Linear Policies are Sufficient to Realize Robust Bipedal Walking on Challenging Terrains
Indian Institute of Technology (BHU) Varanasi(瓦拉纳西印度理工学院(BHU));Ohio State University(俄亥俄州立大学);Indian Institute of Science(印度科学学院)
在这项工作中,我们展示了强大的行走在不平坦的地形上的双足机器人Digit通过学习一个单一的线性政策。特别是,我们提出了一个新的控制管道,其中高层次的轨迹调制器形状的末端脚椭圆轨迹,和低层次的步态控制器调节躯干和脚踝的方向。脚轨迹调制器使用线性策略,调节器使用线性PD控制律。与基于神经网络的策略相反,所提出的线性策略只有13个可学习的参数,从而不仅保证样本有效学习,而且使策略简单和可解释。在斜坡、楼梯和户外景观等具有挑战性的地形上,性能丝毫无损。我们首先在自定义仿真环境MuJoCo中演示了鲁棒行走,然后直接转移到硬件,无需修改控制管道。我们的主题是一系列的推动和地形高度的变化,室内和室外,从而验证了所提出的工作。
2021-10-05 cs.RO
DeepQ Stepper: A framework for reactive dynamic walking on uneven terrain
New York University (NYU)(纽约大学);Max-Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
由于非线性动力学模型的捕获区域计算困难,机器人的反应式步进和推力恢复通常仅限于平坦地形。在本文中,我们通过使用强化学习来近似学习此类系统的3D捕获区域来解决这一限制。我们提出了一种新的3D反应步进器,DeepQ步进器,它使用由动作-价值函数近似的3D捕获区域来计算以不同速度行走的最佳步骤位置。我们证明了学习的方法,一个简化的三维摆模型和一个完整的机器人动力学步进的能力。此外,步进器在学习近似捕获区域时实现了更高的性能,同时考虑到在基于简化模型的现有反应式步进器中经常被忽略的机器人的整个动态。DeepQ步进器可以处理带有障碍物的非凸地形,在像垫脚石这样的受限表面上行走,并以恒定的计算成本从外部干扰中恢复。
2020-10-28 cs.RO
Quadratic Programming-Based Posture Manipulation and Thrust-vectoring for Agile Dynamic Walking on Narrow Pathways
Department of Electrical and Computer Engineering, Northeastern University(电子与计算机工程系,东北大学);Department of Aerospace Engineering, California Institute of Technology(航空航天工程系,加州理工学院)
针对足式机器人窄道行走稳定性问题,提出基于质心动力学与QP求解的模型预测控制方法,利用Husky Beta平台的膝关节推进器实现窄道稳定行走及侧向推力恢复,拓展了运动稳定性与可塑性。
2025-07-31 cs.RO
Orbit Characterization, Stabilization and Composition on 3D Underactuated Bipedal Walking via Hybrid Passive Linear Inverted Pendulum Model
California Institute of Technology(加州理工学院)
提出了一种混合被动式直线倒立摆(HLIP)模型,用于描述、稳定和合成三维欠驱动双足步行的周期轨道。具体地,周期-1(P1)和周期-2(P2)轨道在H-LIP的状态空间中被几何地表征。步进控制器的设计是为了全局稳定的轨道。导出了增益的有效范围及其最优性。最优步进控制器被用来创建和稳定的双足机器人的步行。驱动弹簧加载倒立摆(aSLIP)模型和欠驱动机器人卡西用于说明。具有P1或P2轨道的aSLIP行走和具有P1和P2轨道的所有3D组成的Cassie行走都可以从原地踏步运动平滑地生成和稳定。该方法为三维欠驱动步行机器人的连续步态生成和稳定提供了一种视角和方法。
2019-10-01 cs.RO cs.SY eess.SY
Dynamic Walking on Highly Underactuated Point Foot Humanoids: Closing the Loop between HZD and HLIP
California Institute of Technology(加州理工学院)
针对点足人形机器人高欠驱动等行走难题,提出HZD与HLIP闭环的控制框架,离线生成步态并在线稳定,经ADAM机器人仿真与实验验证,实现首例点足行走且具备多种鲁棒性。
2024-06-19 cs.RO
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
Effect of the Dynamics of a Horizontally Wobbling Mass on Biped Walking Performance
Nagoya Institute of Technology(名古屋工业大学)
我们已经开发了一个被动的动态行走机构的机器人。本研究提出了一个指南针模型与摇摆质量连接到上半身和在水平方向上振荡,以澄清上半身的水平动力学对双足步行的影响。对模型的极限环进行了数值搜索,并研究了极限环的稳定性和能量效率。几个定性不同的极限环主要取决于弹簧常数,支持摆动质量。特定类型的解决方案降低了稳定性,同时降低了意外坠落的风险并提高了能源效率。所获得的结果归因于摆动质量在与上身相反的方向上移动,从而防止行走时加速度和减速度的大变化。研究了该模型的运动与实际机器人的运动和人体步态之间的关系。
2023-03-14 cs.RO cs.SY eess.SY
High-Power, Flexible, Robust Hand: Development of Musculoskeletal Hand Using Machined Springs and Realization of Self-Weight Supporting Motion with Humanoid
The University of Tokyo(东京大学)
针对仿人机器人手部力量不足的问题,开发了一种基于机加工弹簧的腱驱动欠驱动肌骨骼手,兼具高抓握力、柔性与抗冲击性,并在机器人Kengoro上实现了俯卧撑和悬垂等自重支撑运动。
2024-03-26 cs.RO
Preference-Based Learning for User-Guided HZD Gait Generation on Bipedal Walking Robots
California Institute of Technology(加州理工学院)
本文提出了一个框架,利用控制理论和机器学习,以获得稳定和强大的双足运动,而不需要手动参数调整。传统上,步态是通过轨迹优化方法产生的,然后通过实验实现的--由于模型和硬件之间的差异,这个过程通常需要大量的调整。在这项工作中,步态实现的过程中,通过混合零动力学(HZD)为基础的优化正式结合基于偏好的学习,系统地实现动态稳定行走。重要的是,这种学习方法不需要精心构建的奖励函数,而是利用人类的成对偏好。所提出的方法的力量是通过两个实验上的平面AMBER-3 M:第一个与刚性点脚,和第二个与诱导模型的不确定性,通过添加弹簧,其中增加的顺应性不占在步态生成或控制器。在这两个实验中,该框架在不到50次迭代中实现了稳定,健壮,高效和自然的行走,而不依赖于模拟环境。这些结果表明,在统一控制理论和学习的一个有前途的一步。
2021-03-29 cs.LG cs.RO
Analytical Model and Experimental Testing of the SoftFoot: an Adaptive Robot Foot for Walking over Obstacles and Irregular Terrains
Technical University of Munich (TUM)(慕尼黑工业大学);Delft University of Technology (TU Delft)(代尔夫特理工大学);German Aerospace Center (DLR)(德国航空航天中心);Istituto Italiano di Tecnologia(意大利技术研究院);University of Pisa(比萨大学)
本文提出完全被动的自适应机器人脚SoftFoot,通过滑轮、腱绳和弹簧随受力改变形状与刚度;实验表明其在障碍物上支撑面最大,吸冲性能接近柔顺脚。
2024-06-12 cs.RO
Enhancing Model-Based Step Adaptation for Push Recovery through Reinforcement Learning of Step Timing and Region
Automation and Control Institute, TU Wien(维也纳工业大学自动化与控制研究所);Autonomous Systems Lab, TU Wien(维也纳工业大学自主系统实验室);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(DLR))
本文提出利用强化学习动态调整双足机器人的落脚点区域和步态时机,以扩大可恢复扰动范围,并通过QP规划轨迹和全身控制实现鲁棒推挤恢复。
2024-11-01 cs.RO cs.SY eess.SY
Robust walking based on MPC with viability guarantees
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Trento(特伦托大学);K. N. Toosi University of Technology(K. N. 图西理工大学);New York University(纽约大学)
模型预测控制(MPC)在控制诸如足式机器人之类的复杂系统方面已经显示出巨大的成功。然而,当闭环时,在每个控制周期所解决的有限时域最优控制问题(OCP)的性能和可行性不再得到保证。这是由于模型的差异,低层次的控制器,不确定性和传感器噪声的影响。为了解决这些问题,我们提出了一个修改后的版本的标准MPC方法中使用的腿运动的可行性(弱前向不变性)的保证。在这种方法中,而不是添加一个(保守)终端约束的问题,我们建议使用的测量状态投影到OCP解决在每个控制周期的生存能力内核。此外,我们使用过去的实验数据,以找到最佳的成本权重,衡量性能,约束满足鲁棒性,或稳定性(不变性)的组合。这些可解释的成本衡量了健壮性和性能之间的权衡。为此,我们使用贝叶斯优化(BO)系统地设计实验,帮助有效地收集数据,以学习成本函数,从而获得强大的性能。我们的仿真结果与不同的现实干扰(即外部推力,未建模的致动器动态和计算延迟)显示我们的方法来创建鲁棒控制器的人形机器人的有效性。
2021-11-09 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
Study of Human Push Recovery
University of Edinburgh(爱丁堡大学)
用于人形机器人的行走和推动恢复控制器多年来一直在进步,而导致不期望行为的未解决的差距仍然存在。由于以往的研究主要是纯工程方法,而利用数据驱动的方法在控制领域取得了令人瞩目的成就,因此我们为探索人类应用的控制规律设定了动力。成功的发现可能有助于填补当前基于工程的控制器的空白,并有可能提高性能。在这篇论文中,我们展示了我们完整的设计和实现了一组实验来收集和处理人体数据,以及数据分析模型拟合。使用收集到的经过处理的运动数据和力数据,我们导出参与者质心的位置、速度和加速度,以形成由推力方向定义的一维点质量模型。因此,我们发现,比例微分(PD)控制可以描述的基本控制规律,人们使用和不同的PD增益设置为不同阶段的推恢复试验在我们的研究范围内。我们最终的PD控制拟合的平均均方根误差低于0.1m,平均考虑了90%以上的试验数据点。我们还探讨了PD控制模型使用的不同误差度量如何影响其性能,但我们提出的两个度量都不能帮助提高性能。最后,我们有关于人们如何根据推开始时的质心属性切换推恢复策略的统计数据。我们发现,更进一步的质心是从稳定状态点和更高的速度,它有一个人更有可能作出一个步骤的推力补偿。
2018-10-22 cs.RO
A Robust Biped Locomotion Based on Linear-Quadratic-Gaussian Controller and Divergent Component of Motion
IEETA / DETI University of Aveiro(阿威罗大学 IEETA / DETI)
由于人形机器人的高自由度和不稳定性,使其在存在干扰的情况下产生鲁棒运动是困难的。在本文中,我们使用发散运动分量~(DCM)的概念,并提出了一种基于线性二次高斯的最优闭环控制器,以产生一个鲁棒的和稳定的人形机器人的步行。机器人的动力学模型采用线性倒立摆模型(LIPM)。此外,我们提出了一个控制器来调整摆动腿的着陆位置,以增加承受水平的机器人对严重的外部推动。使用~ \mbox{MATLAB}进行一组仿真,分析和验证所提出的控制器的性能和鲁棒性。仿真结果表明,所提出的控制器是能够提供一个强大的步行,即使在干扰的存在和具有挑战性的情况。
2019-06-21 cs.RO
Modular Pipe Climber
Robotics Research Center, IIIT Hyderabad(IIIT海得拉巴机器人研究中心)
本文讨论了ASTM D1785 - 15 e1标准管道内模块化管道爬升器的设计和实施[1]。该机器人有三个独立运行的轨道,并安装在三个模块上,这些模块彼此成120°。与车轮相比,履带提供更大的表面牵引力[2]。履带由被动弹簧推到管道内壁上,在垂直爬升和转弯时,被动弹簧有助于保持与管道的接触。模块具有不对称压缩的规定,这有助于机器人在各个方向上轮流弯曲。当管道攀爬器处于垂直攀爬时,在准静态和静态平衡下计算机器人所需的电机转矩和所需的弹簧刚度。在ADAMS MSC.基于这些获得的值建立的原型进行了实验,在复杂的管网。在转弯时采用差速,以提高效率并减少机器人所承受的应力。
2019-09-23 cs.RO
Emulating Human Kinematic Behavior on Lower-Limb Prostheses via Multi-Contact Models and Force-Based Nonlinear Control
California Institute of Technology(加州理工学院)
踝关节蹬离在很大程度上有助于人类行走中的肢体能量产生,从而导致更平稳和更有效的运动。为截肢者提供这种净正功需要主动假肢,但有可能实现更自然的辅助运动。为此,本文使用多接触模型的运动与力为基础的非线性优化为基础的控制器,以实现类似人类的运动学行为,包括踝关节推出,动力经股骨假体2科目。特别是,我们利用基于模型的控制方法的动态双足机器人行走,开发一个系统的方法来实现类似人类的行走的动力假肢,不需要特定的主题调整。我们首先合成一个优化问题,产生步态,类似于人类关节轨迹的运动学水平,并实现这些步态的假肢通过控制李雅普诺夫函数为基础的非线性控制器,响应实时地面反作用力和相互作用力与人类。所提出的控制器上实现的假体为两个主题之间没有调整的主题,模仿特定主题的人体运动学趋势的假肢关节。这些实验结果表明,我们的基于力的非线性控制方法实现了更好的跟踪人体运动轨迹比传统的方法。
2022-09-27 cs.RO cs.SY eess.SY
Asynchronous Real-Time Optimization of Footstep Placement and Timing in Bipedal Walking Robots
Imperial College London(帝国理工学院)
在线脚步规划是必不可少的双足步行机器人能够在干扰的存在下行走。直到最近,这还只是通过优化足迹的放置并保持脚步的持续时间恒定来实现的。在本文中,我们介绍了一个足迹规划器能够优化足迹的位置和时间在实时的【形】异步结合两个优化,我们称之为异步实时的【形】优化(ARTO)。第一个优化器,运行在约25 Hz,利用四阶龙格库塔(RK4)方法,以准确地近似的线性倒立摆(LIP)模型的动态双足行走,然后使用非线性优化,以找到最佳的脚步和持续时间在较低的频率。以大约250 Hz运行的第二优化器使用从LIP模型的全动态导出的分析梯度和约束惩罚项来执行梯度下降,其以较高频率找到近似最优的脚步放置和定时。通过异步组合两个优化器,ARTO具有对来自梯度下降优化器的干扰的快速反应、避免来自RK4优化器的局部最优的精确解以及增加从两个优化器找到可行解的概率的优点。在实验中,我们表明,ARTO是能够恢复从相当大的推动,并产生可行的解决方案,以更大的参考速度变化比标准的脚步位置优化器,并优于仅使用RK4优化器。
2020-07-02 cs.RO cs.SY eess.SY
Autonomous Navigation of Underactuated Bipedal Robots in Height-Constrained Environments
UC Berkeley(加州大学伯克利分校)
针对双足机器人在低矮杂乱环境中的通行难题,提出融合三层规划、vSLIP轨迹优化与可变步行高度控制的端到端框架,并在Cassie上验证其安全避障与自主导航能力。
2023-07-13 cs.AI cs.RO cs.SY
Energy-Efficient Quadruped Locomotion with Compliant Feet
Department of Mechanical Engineering, Indian Institute of Science(印度科学研究院机械工程系);Robert Bosch Centre for Cyber Physical Systems, Indian Institute of Science(印度科学研究院网络物理系统研究中心);School of Engineering and Applied Science, Ahmedabad University(阿亨布尔大学工程与应用科学学院)
研究通过强化学习控制器集成柔性足部,探索其对四足机器人行走效率的提升作用,发现适中刚度的足部可降低能耗17%。
2026-05-14 cs.AI cs.RO
Learning Linear Policies for Robust Bipedal Locomotion on Terrains with Varying Slopes
Indian Institute of Technology (BHU) Varanasi(印度理工学院(巴纳拉斯印度教大学)瓦拉纳西分校);Indian Institute of Technology Roorkee(印度理工学院鲁尔基分校);Ohio State University(俄亥俄州立大学);Indian Institute of Science(印度科学学院)
在本文中,鉴于对部署重量轻的控制框架的双足步行机器人,我们实现了端脚轨迹,由一个单一的线性反馈政策的形状。我们通过一个无模型和无梯度的学习算法,增强随机搜索(ARS),在两个机器人平台兔子和数字学习这一政策。我们的贡献是双重的:a)通过使用躯干和支撑平面方向作为输入,我们在模拟中实现了在高达20度的斜坡上的稳健行走。b)我们展示了其他行为,如向后行走,原地踏步,以及从高达120 N的外部推力中恢复。最终的结果是一个强大的和快速的反馈控制法律的双足步行地形与变化的坡度。最后,我们还提供了硬件转移到Digit的初步结果。
2021-08-09 cs.AI cs.LG cs.RO
Time-Varying Foot-Placement Control for Underactuated Humanoid Walking on Swaying Rigid Surfaces
College of Engineering, University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校工程学院);The Ohio State University(俄亥俄州立大学);University of Michigan(密歇根大学);School of Mechanical Engineering, Purdue University(普渡大学机械工程学院)
针对动态刚性表面上仿人机器人行走控制难题,提出将经典线性倒立摆模型扩展至摇摆地面的时变非齐次模型,结合离散脚步控制律与分层控制框架,经Digit机器人仿真和硬件实验验证,可在不确定表面运动和外部推力下实现稳定欠驱动行走。
2024-09-12 cs.RO cs.SY eess.SY
Bipedal Model Based on Human Gait Pattern Parameters for Sagittal Plane Movement
IIIT Allahabad(阿拉哈巴德印度信息技术学院)
本文所描述的目前的研究试图传授如何模仿为基础的学习行为为基础的编程可以用来教机器人。这一发展是一个很大的一步,证明推恢复是一个软件工程问题,而不是硬件工程问题。这里使用的步行算法旨在选择推恢复问题的子集,即来自环境的干扰。我们在Halo的每个关节处应用物理学,具有一定的自由度。所提出的模型Halo与其他模型不同,因为以前开发的模型与不同人的数据不一致。这将导致在未来的发展广义的可持续发展模型,并将弥合性能和不一致性之间的差距。在本文中,所提出的模型适用于不同的人的数据。模型的准确性,性能和结果的衡量使用的行为协商能力的模型开发。为了提高性能,提出的模型给出了自由处理每个关节独立的基础上,每个关节的相似度值。这一发展可以被认为是未来机器人世界的重要发展。模型的准确率为70%。
2014-05-17 cs.RO
HumanMimic: Learning Natural Locomotion and Transitions for Humanoid Robot via Wasserstein Adversarial Imitation
The University of Tokyo(东京大学);ETH Zürich(苏黎世联邦理工学院)
该研究提出HumanMimic Wasserstein对抗模仿学习系统,通过运动重定向、结合RL的对抗判别器与带软边界约束的Wasserstein-1距离,使人形机器人JAXON实现多种自然运动及无演示的模式间自然过渡。
2024-04-23 cs.RO
A compliant ankle-actuated compass walker with triggering timing control
School of Physics, Georgia Institute of Technology, Atlanta, USA(物理学院,佐治亚理工学院,美国亚特兰大);Electrical and Electronics Engineering, Hacettepe University, Ankara, Türkiye(电子与电气工程,哈科特佩大学,土耳其安卡拉)
本文提出了一种具有触发定时控制的踝关节驱动指南针步行器,通过串联弹性执行器实现非瞬时的踝关节推离,扩展了双足模型的运动能力。
2026-02-06 cs.RO
Development of a PPO-Reinforcement Learned Walking Tripedal Soft-Legged Robot using SOFA
针对软机器人模拟难题,提出使用SOFA框架结合PPO强化学习,开发行走式三足软腿机器人,实现恶劣环境任务替代潜力,单目标成功率82%且多目标序列任务表现优异。
2025-04-12 cs.AI cs.RO
OriWheelBot: An origami-wheeled robot
Hebei Innovation Center for Equipment Lightweight Design and Manufacturing, School of Mechanical Engineering, Yanshan University(燕山大学机械工程学院河北省装备轻量化设计与制造创新中心);School of Mechanical and Electric Engineering, Guangzhou University(广州大学机械与电气工程学院);Institute of High Performance Computing, A*STAR Research Entities(新加坡科技研究局高性能计算研究所);Centre for Innovative Structures and Materials, School of Engineering, RMIT University(皇家墨尔本理工大学工程学院创新结构与材料中心)
针对现有折纸启发机器人功能有限的问题,研发了基于Miura折纸轮、宽度可调的OriWheelBot及可自动判断障碍宽度的改进版iOriWheelBot,明确两种沙地运动机制,验证了其多项沙地行走能力,可用于行星探测与灾区救援。
2023-09-29 cs.RO physics.app-ph
Learning to Exploit Elastic Actuators for Quadruped Locomotion
German Aerospace Center (DLR)(德国航空航天中心(DLR));Delft University of Technology(代尔夫特理工大学)
本文提出在真实弹性四足机器人 bert 上结合 CPG 开环参数优化与强化学习闭环校正,无需模型即可在1.5小时内学会高效自然步态并创下最快行走纪录。
2023-08-20 cs.LG cs.RO
Terrestrial Locomotion of PogoX: From Hardware Design to Energy Shaping and Step-to-step Dynamics Based Control
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文设计结合四旋翼与弹簧腿的PogoX机器人,提出能量整形高度控制与S2S水平速度控制,使其在TWR<1时实现鲁棒的陆地跳跃运动。
2023-09-26 cs.RO cs.SY eess.SY
Learning Slope-Adaptive Whole-Body Locomotion for Humanoid Robots in Roofing Construction
University of Florida(佛罗里达大学)
针对屋顶施工中人形机器人在倾斜表面的运动挑战,提出任务语义场景锚定框架,结合轨迹优化与执行感知强化学习,在Unitree G1上实现满足支撑、间隙和非穿透标准的全身运动,误差低于0.531厘米。
2026-09-18 cs.RO
A CPG-Based Agile and Versatile Locomotion Framework Using Proximal Symmetry Loss
University of Aveiro(阿威罗大学);University of Porto(波尔图大学)
人形机器人被制造得与人类相似,但它们的运动能力在敏捷性和多功能性方面与我们相差甚远。当人类在复杂的地形上行走,或面临外部干扰时,他们会无意识地有效地结合一套策略来恢复稳定。本文解决的问题是开发一个强大的全向行走框架,这是能够产生灵活和敏捷的运动在复杂的地形。线性倒立摆模型和中央模式发生器的概念被用来开发一个闭环步行引擎,然后将其与强化学习模块相结合。该模块学习自适应地调节行走引擎参数,并生成残差以调整机器人的目标关节位置(残差物理)。此外,我们提出了一个近端对称性损失函数,以提高样本效率的近端策略优化算法,利用模型的对称性和信任域的概念。所提出的框架的有效性进行了证明,并在一组具有挑战性的模拟场景进行评估。机器人能够在不可预见的情况下概括它所学到的东西,即使在噪音和外部推动的情况下也能展示出类似人类的运动技能。
2021-10-27 cs.RO
A Sagittal Planar Ankle-Foot Prosthesis with Powered Plantarflexion and Socket Alignment
本研究针对动力踝足假肢易加剧截肢者疼痛等问题,基于步态预测生物力学仿真设计了带前后平移自由度的新型胫骨假肢,通过实验验证了其性能,为可穿戴机器人设计提供了参考。
2024-10-31 cs.RO cs.SY eess.SY
When and Where to Step: Terrain-Aware Real-Time Footstep Location and Timing Optimization for Bipedal Robots
Imperial College London(帝国理工学院);ETH Zürich(苏黎世联邦理工学院)
在线脚步规划是必不可少的双足步行机器人,使他们能够在干扰和感官噪声的存在下行走。关于这个主题的大多数文献都集中在优化足迹放置,同时保持步长定时不变。在这项工作中,我们介绍了一个足迹规划能够优化足迹的位置和步骤的时间在线。该规划器由内点优化器(IPOPT)和基于解析梯度下降的增广拉格朗日(AL)方法的优化器组成,实时的求解线性倒立摆(LIP)模型的完整动力学,以200 Hz的速度优化脚步位置和脚步定时。我们表明,这种异步实时的优化AL方法(ARTO-AL)提供了成功的在线足迹规划所需的鲁棒性和速度。此外,ARTO-AL可以扩展到3D规划足迹,允许在不平坦的地形上进行地形感知足迹规划。与没有脚步时间自适应的算法相比,我们提出的ARTO-AL在模拟行走实验中表现出更高的稳定性,因为它可以分别抵抗平地和$10^{\circ}$斜坡上高达120 N和100 N的推力。有关视频,请参阅https://youtu.be/ABdnvPqCUu4。有关代码,请参见https://github.com/WangKeAlchemist/ARTO-AL/tree/master。
2023-02-14 cs.NA cs.RO math.NA
LLA-MPPI: Rapidly Adaptive Whole-body Control of Legged Robots with GPU-Accelerated Parallel Simulations
Carnegie Mellon University(卡内基梅隆大学);Massachusetts Institute of Technology(麻省理工学院)
提出LLA-MPPI方法,通过GPU并行模拟器选择实现腿式机器人全身自适应控制,无需离线训练,在模拟和硬件上均显著优于基线。
2026-10-08 cs.RO cs.SY eess.SY
Model-Based Reinforcement Learning Exploits Passive Body Dynamics for High-Performance Biped Robot Locomotion
Department of Mechanical Science and Bioengineering, Graduate School of Engineering and Science, The University of Osaka(大阪大学机械科学与生物工程学系);Department of Electrical and Mechanical Engineering, Nagoya Institute of Technology(名古屋工业大学电气机械学系)
本研究利用双足机器人身体的被动性质,通过基于模型的深度强化学习生成行走和跑步运动,发现被动元件能提高运动的鲁棒性和能耗效率。
2026-04-16 cs.RO cs.SY eess.SY
StaccaToe: A Single-Leg Robot that Mimics the Human Leg and Toe
College of Information and Computer Sciences, University of Massachusetts Amherst(大学计算机科学学院,马萨诸塞大学阿默斯特分校);University of Maryland College Park(马里兰大学学院公园分校);College of Engineering, University of Massachusetts Amherst(工程学院,马萨诸塞大学阿默斯特分校);Korea University of Technology and Education (KOREATECH)(韩国技术教育大学(KOREATECH))
本文提出StaccaToe,一种人体尺度电动机驱动的单腿机器人,通过驱动脚趾和协同驱动配置模仿人类腿部,实验验证了其平衡站立与动态跳跃能力,为高性能人形机器人设计提供实证依据。
2024-04-07 cs.RO
A System for Fast, Resilient, and Adaptable Loco-Manipulation Behaviors on Humanoid Robots
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)
该研究提出机器人本地可运行时编辑的行为系统,结合 Affordance Templates 等架构,在 Unitree H1-2 和 Alex 机器人上快速完成移动操作任务,性能可与近期学习系统媲美。
2026-09-02 cs.RO
Learning Human-to-Humanoid Real-Time Whole-Body Teleoperation
Carnegie Mellon University(卡内基梅隆大学)
该研究提出基于强化学习的H2O框架,通过“sim-to-data”流程构建优化运动数据集,训练运动模仿器并零样本迁移至真实人形机器人,仅用RGB相机实现了多种动态全身动作的实时遥操作,为相关领域首个演示成果。
2024-03-07 cs.AI cs.LG cs.RO
GentleHumanoid: Learning Upper-body Compliance for Contact-rich Human and Object Interaction
Stanford University(斯坦福大学)
GentleHumanoid提出将阻抗控制融入全身运动跟踪策略,通过统一弹簧公式建模抵抗性与引导性接触,实现人形机器人上身柔顺交互,在仿真和Unitree G1上验证了降低接触力并保持任务成功的效果。
2025-11-06 cs.CV cs.HC cs.RO