Bi-level Trajectory Optimization on Uneven Terrains with Differentiable Wheel-Terrain Interaction Model
Institute of Technology, University of Tartu(塔尔图大学理工学院);RRC, IIIT Hyderabad(印度国际信息技术研究院研究中心)
本文提出一种仅依赖数字高程信息的纯模型化双层轨迹优化方法,将轮地交互与六自由度位姿预测建模为可微分的非线性最小二乘问题,从而在不平坦地形上高效生成平滑稳定的行驶轨迹。
2024-11-22 cs.RO cs.SY eess.SY
Dynamic Walking of Bipedal Robots on Uneven Stepping Stones via Adaptive-frequency MPC
University of Southern California(南加州大学)
本文提出了一种新的自适应频率MPC框架的双足运动在不均匀的踏脚石地形。详细地说,我们打算实现自适应的脚的位置和步态周期的双足周期性步行步态与此MPC,以穿越地形的不连续性而不减速。我们将这种自适应频率MPC与运动动力学轨迹优化配对,以获得最佳步态周期、质心(CoM)轨迹和足部放置。我们使用全身控制(WBC)以及自适应频率MPC来跟踪离线优化的最佳轨迹。在数值验证中,我们的自适应频率MPC优化框架已显示出优于固定频率MPC。所提出的框架可以控制双足机器人穿越不均匀的踏脚石地形与扰动石头的高度,宽度和表面形状,同时保持平均速度为1.5米/秒。
2022-09-18 cs.RO cs.SY eess.SY
Model Predictive Control for Aggressive Driving Over Uneven Terrain
University of Washington(华盛顿大学)
本文提出基于物理的MPC框架,通过并行化侧翻与沟渠穿越约束,在不平坦地形上实现安全且更快的激进自主驾驶,实验表明可比几何方法快22%。
2024-06-07 cs.RO
Fast Footstep Planning on Uneven Terrain Using Deep Sequential Models
University of Pennsylvania(宾夕法尼亚大学)
实现足式机器人潜力的基本挑战之一是生成穿越具有挑战性地形的计划。必须仔细选择控制动作,使机器人不会崩溃或滑动。关节空间的高维性使得直接从板载感知规划低级动作变得困难,并且在规划中不考虑机器人的低级机制的控制栈不适合处理细粒度障碍物。处理此问题的一种方法是根据地形特征选择足迹位置。然而,将机器人动力学的脚步规划需要大量的计算,远远超过在准静态的情况下。在这项工作中,我们提出了一个基于LSTM的规划框架,该框架使用地形前瞻和机器人的动力学来学习可能的脚步位置的概率分布,并利用LSTM的顺序性质在线性时间内找到脚步。我们的框架也可以作为一个模块,以加快基于采样的规划。我们验证了我们的方法在一个模拟的单腿料斗在各种不平坦的地形。
2022-05-22 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
SEB-Naver: A SE(2)-based Local Navigation Framework for Car-like Robots on Uneven Terrain
State Key Laboratory of Industrial Control Technology, Zhejiang University(浙江大学工业控制技术国家重点实验室);Huzhou Institute of Zhejiang University(浙江大学湖州研究院)
本文提出SEB-Naver框架,通过GPU并行的SE(2)网格可通行性评估与基于微分平坦性的地形相关轨迹优化,解决类车机器人在非平坦地形上的局部导航难题。
2025-03-05 cs.RO
Online Omnidirectional Jumping Trajectory Planning for Quadrupedal Robots on Uneven Terrains
针对四足机器人在不平地形上的在线全方位跳跃问题,提出一种级联优化框架,集成轨迹生成、跟踪与着陆控制,并采用加速进化算法和粗到精重定位,实现约0.1秒的快速轨迹生成,已在多机器人上验证。
2024-11-09 cs.RO cs.SY eess.SY
Perceptive Locomotion with Controllable Pace and Natural Gait Transitions Over Uneven Terrains
Institute for Infocomm Research, A*STAR(新加坡科技研究局资讯通信研究院);University College London(伦敦大学学院)
这项工作开发了一个学习框架的感知腿运动,结合视觉反馈,本体感受信息,和主动步态调节的脚-地面接触。感知只需要一个面向前的摄像头来获得高度图,并通过我们制定的基于CPG的高层次的脚-地面接触模仿步态步伐和行驶速度的主动调节。通过该框架,最终用户能够命令任务级输入,以根据不同地形的穿越来控制不同的行走速度和步态频率,这使得能够更可靠地与遇到的障碍物进行协商。结果表明,学习的感知运动策略遵循任务级控制输入与预期的行为,并且在存在看不见的地形和外力扰动的情况下是鲁棒的。视频演示可以在https://youtu.be/OTzlWzDfAe8上找到,代码库可以在https://github.com/jennyzzt/perceptual-locomotion上找到。
2023-01-30 cs.RO
Occlusion-Aware, Quasi-Static, Stability-Oriented Trajectory Planning on Uneven Terrain
University of Tartu(塔尔图大学);IIIT Hyderabad(印度海得拉巴国际信息技术学院);Czech Technical University(捷克理工大学)
针对不平地形上的四轮车辆,提出遮挡感知的准静态稳定性轨迹规划框架,通过不确定性传播与流匹配热启动,将失败率降至18.9%。
2026-10-01 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
PUTN: A Plane-fitting based Uneven Terrain Navigation Framework
Tsinghua University(清华大学);Harbin Institute of Technology(哈尔滨工业大学);Southern University of Science and Technology(南方科技大学)
地面机器人的自主导航在室内结构化二维环境中得到了广泛的应用,但在室外三维非结构化环境中,尤其是在粗糙不平的地形中,仍然存在许多挑战。提出了一种基于平面拟合的不平坦地形导航框架(PUTN)。PUTN的实施分为三个步骤。首先,在快速探索随机树(RRT)的基础上,提出了一种改进的基于样本的平面拟合RRT*(PF-RRT*)算法来获得稀疏轨迹。每个采样点对应于点云上的自定义遍历性指数和拟合平面。这些平面串联连接以形成可横穿的条带。其次,高斯过程回归被用来生成密集轨迹的遍历性从稀疏轨迹内插,采样树被用作训练集。最后,使用非线性模型预测控制(NMPC)进行局部规划。通过在代价函数中加入可通过性指标和不确定性,在约束函数中加入由实时点云生成的障碍物,得到了一种速度平稳、鲁棒性强的安全运动规划算法。在真实场景中进行了实验,以验证该方法的有效性。现将源代码发布,供社区参考。
2022-09-27 cs.RO
NNPP: A Learning-Based Heuristic Model for Accelerating Optimal Path Planning on Uneven Terrain
Harbin Institute of Technology(哈尔滨工业大学)
针对非平坦地形移动机器人路径规划效率问题,提出NNPP启发式模型,通过学习最优路径示例生成像素级路径概率分布以缩小搜索空间,可加速Astar等算法在新地图上的最优路径规划。
2024-06-20 cs.AI cs.RO
Towards Safe Locomotion Navigation in Partially Observable Environments with Uneven Terrain
Georgia Institute of Technology(佐治亚理工学院)
本研究针对部分可观测环境下具有多层次安全保障的动态移动,提出一种整合任务与运动规划的方法。该分层规划框架由高级符号任务规划器和低级相空间运动规划器组成。在任务规划级的信念抽象,使信念估计的动态障碍物的位置,并保证航行安全与避免碰撞。高级任务规划器,即,一个两级的导航规划,采用线性时序逻辑的反应性游戏合成之间的机器人和它的环境,同时将低级别的安全关键帧策略到正式的任务规范设计。合成的任务规划器命令一系列的运动动作,包括步行步长,步高,和航向角的变化,到底层的关键帧决策器,这进一步确定机器人的质心顶点速度关键帧。低级别的相空间规划器使用降阶运动模型来生成满足直线和转向行走的平衡安全标准的非周期性轨迹。这些标准的特点是运动关键帧状态的约束,并用于定义关键帧过渡策略,通过可行性内核。由Agility Robotics设计的Cassie双足机器人的仿真结果展示了在由动态障碍物和不平坦地形组成的三维、部分可观察的环境中的运动操纵。
2020-09-10 cs.RO
Fast Online Optimization for Terrain-Blind Bipedal Robot Walking with a Decoupled Actuated SLIP Model
Imperial College London(帝国理工学院)
我们提出了一个高度反应控制器,使双足机器人盲目地走过各种不平坦的地形,同时抵抗推动。高级运动规划器使用解耦致动弹簧加载倒立摆(aSLIP)模型对脚步位置和质心(CoM)高度进行快速在线优化。解耦的aSLIP模型简化了原始aSLIP,在水平状态下具有线性倒立摆(LIP)动力学,在垂直状态下具有弹簧动力学。运动规划可以用离散时间模型预测控制(MPC)来表示,并在1 k ~HZ的频率下求解。使用降阶模型的运动规划器的输出被馈送到基于逆动力学的全身控制器中以用于在机器人上执行。该控制器的一个关键结果是机器人的脚是顺应性的,这进一步扩展了机器人对未观察到的地形变化的鲁棒性的能力。我们评估我们的方法在模拟与双足机器人SLIDER。实验结果表明,该机器人能够在斜坡、波浪场和楼梯等各种不平坦地形上实现盲走。它也可以抵抗推,而走在不平坦的地形。
2021-09-20 cs.RO
Cloud Hopping; Navigating in 3D Uneven Environments via Supervoxels and Control Lyapunov Function
提出了一种新的反馈运动规划方法,用于移动机器人在三维不平坦地形中的导航。我们利用点云的\textit{supervoxel}表示,这使得点云地图上的可遍历区域的紧凑连接图。鉴于此图的可通行区域,我们的方法导航机器人的任何可达到的目标姿态使用控制李雅普诺夫函数(CLF)和导航功能。cLf确保所生成的运动计划的运动动力学可行性和目标收敛性,而导航功能优化所得到的反馈运动计划。我们进行了导航实验,在真实和模拟的三维不均匀地形。在所有情况下,实验结果表明,我们的方法表现优于基线,证明该方法的效率和适应性,以导航机器人在具有挑战性的不均匀的3D地形。所提出的方法还可以导航具有特定目标的机器人,例如,最短距离或最小倾斜的计划。我们将我们的方法与成熟的基于采样的运动规划器进行了比较,其中我们的方法在执行时间和产生的路径长度方面优于所有其他规划器。最后,我们提供了所提出方法的开源实现,以使机器人社区受益。
2023-01-29 cs.RO
Capsizing-Guided Trajectory Optimization for Autonomous Navigation with Rough Terrain
School of Control Science and Engineering, Shandong University(控制科学与工程学院,山东大学);State Key Laboratory of Industrial Control Technology and Institute of Cyber-Systems and Control, Zhejiang University(工业控制技术状态重点实验室和控制系统研究所,浙江大学)
针对崎岖地形下机器人自主导航的翻车风险,提出感知倾覆的轨迹规划器CAP,通过定义可通行方向并构建倾覆安全约束优化轨迹,显著提升了不平坦地形上的导航性能与安全性。
2025-08-11 cs.RO
SL1M: Sparse L1-norm Minimization for contact planning on uneven terrain
The University of Edinburgh(爱丁堡大学);Ewha Womans University(梨花女子大学);LAAS-CNRS(法国国家科学研究中心分析与系统结构实验室);Université de Toulouse(图卢兹大学);University of Trento(特伦托大学)
在复杂环境中规划腿运动的主要挑战之一是组合接触选择问题。最近的贡献建议使用整数变量来表示选择的接触面,然后依靠现代的混合整数(MI)优化求解器来处理这个组合问题。为了减少MI的计算成本,我们利用L1范数最小化技术的稀疏性,放松接触规划问题成一个可行的线性规划。我们的方法考虑了质心(COM)和接触效应器的运动学可达性。我们确保存在一个准静态COM轨迹限制我们的计划准平面接触。对于规划10个步骤,每个阶段的潜在接触面少于10个,我们的方法比MI方法快50到100倍,这表明在线接触重新规划的潜在应用。该方法在仿真中证明了与人形机器人HRP-2和Talos在各种情况下。
2019-09-19 cs.RO
Bipedal Robust Walking on Uneven Footholds: Piecewise Slope LIPM with Discrete Model Predictive Control
Faculty of Computing, Harbin Institute of Technology(哈尔滨工业大学计算学部);State Key Laboratory of Robotics and System, Harbin Institute of Technology(哈尔滨工业大学机器人技术与系统国家重点实验室)
针对不平整地形下LIPM的局限性,提出PS-LIPM和G-ALIP模型,结合MPC与WBC构建分层控制框架,实现步长位置与持续时间的同步优化,有效提升了双足在不平整踏脚石上行走的鲁棒性。
2025-04-03 cs.RO cs.SY eess.SY
Multi-Agent-Based Simulation of Archaeological Mobility in Uneven Landscapes
"Athena" Research Centre(“雅典娜”研究中心);German Archaeological Institute(德国考古研究所)
本文提出了一种多智能体建模框架,用于模拟不规则地形中的考古移动性,通过强化学习实现高效动态适应,展示了地形感知追捕和运输分析的应用。
2026-03-03 cs.AI cs.RO
Snake and Snake Robot Locomotion in Complex, 3-D Terrain
Johns Hopkins University(约翰斯·霍普金斯大学)
蛇可以通过弯曲它们细长的身体在3D中与地形互动来穿越几乎所有类型的环境。同样,蛇形机器人是一个很有前途的平台,可以在各种环境中执行关键任务。了解3D身体弯曲如何有效地与地形相互作用以获得推进力和稳定性,不仅可以告知蛇如何穿越自然环境,还可以让蛇机器人实现类似的性能。蛇和蛇机器人如何在平面上移动已经被很好地理解了。然而,这种理想的地形是罕见的,在自然环境中,很少有人知道如何产生推进力和保持稳定的3-D地形,除了一些研究树蛇运动和机器人使用几何规划。为了弥合知识差距,我们在三个代表性的环境中整合了动物实验和机器人研究:一个大的光滑的步骤,一个不平坦的舞台上的块的高度变化大,大颠簸。我们发现,垂直身体弯曲引起稳定性的挑战,但可以产生大的推进力。当穿越一个大的光滑的步骤,蛇机器人的挑战是滚动不稳定性,增加垂直弯曲的幅度。不稳定性可以通过在统计上改善身体-地面接触的身体顺应性来降低。尽管如此,垂直的身体弯曲可以潜在地让蛇推动地形推进,如玉米蛇穿越不平坦的竞技场。如果保持良好的接触,蛇形机器人可以产生像这样的巨大推进力。接触反馈控制可以通过改善接触来帮助适应扰动,例如新的地形几何形状或过大的外力。我们的研究结果提供了深入了解蛇和蛇机器人如何使用垂直身体弯曲,以稳定地高效和灵活地遍历3-D世界。
2023-02-22 cs.RO cs.SY eess.SY
Whole-Body Control With Terrain Estimation of A 6-DoF Wheeled Bipedal Robot
School of Intelligent Systems Engineering, Sun Yat-sen University(中山大学智能系统工程学院);Direct Drive Technology Limited(直接驱动技术有限公司);Suzhou Nuclear Power Research Institute Co., Ltd(苏州核电研究所有限公司)
针对轮式双足机器人忽略腿部动力学限制运动潜力及不平坦地形通过挑战,为新型6自由度轮式双足机器人开发完整动力学模型,设计带地形估计的全身控制框架,经仿真和实机实验验证了地形估计算法性能及算法鲁棒性与不平坦地形通过能力。
2025-11-09 cs.RO
Energy-Efficient Path Planning with Multi-Location Object Pickup for Mobile Robots on Uneven Terrain
Faculty of Information Technology, Monash University(信息技术学院,莫纳什大学)
针对移动机器人在不平坦地形上需途中拾取物体的能量高效路径规划问题,提出OMEPP及基于PCPD的并发搜索算法,在保证近最优解的同时大幅提升计算效率。
2025-09-07 cs.DB cs.RO
Terrain parameter estimation from proprioceptive sensing of the suspension dynamics in offroad vehicles
Clemson University(克莱姆森大学)
越野车辆运动必须应对不平坦和不确定的地形,这对有人驾驶和无人驾驶地面车辆的路径规划和运动控制提出了挑战。地形特性的知识可以允许车辆调整其控制和运动规划算法。然而,地形属性可能会在几天甚至几小时的时间尺度上发生变化,因此需要对其进行在线估计。运动学,特别是越野车辆经历的振荡,带有地形特性的特征。因此,这些地形特性可以利用适当的模型和估计算法从车辆动力学的本体感受感测来估计。在本文中,我们表明,由于其悬挂的车辆的垂直动力学的知识,可以更快,更准确地估计地形参数。本文考虑了一个五自由度的模型,结合了众所周知的半车和自行车模型。我们通过仿真表明,下沉指数,一个参数,可以显着影响车轮的力量,从地形,从而极大地影响车辆的轨迹,可以估计从测量车辆的线加速度和旋转速度,这可以很容易地从车载IMU。我们表明,建模的垂直车辆动力学可以导致显着改善的地形参数的估计和车辆轨迹的预测。
2022-02-09 cs.RO cs.SY eess.SP
Terrain-adaptive Central Pattern Generators with Reinforcement Learning for Hexapod Locomotion
Shanghai Jiao Tong University(上海交通大学)
本文提出将深度强化学习融入中央模式发生器,通过调整映射函数参数,增强六足机器人在复杂地形上的适应性,并在Isaac Gym中验证了其优越性。
2023-10-11 cs.RO
PPMC RL Training Algorithm: Rough Terrain Intelligent Robots through Reinforcement Learning
Tohoku University(东北大学)
机器人现在可以学习如何做出决定和控制自己,将学习到的行为推广到看不见的场景。特别是,由于环境的不确定性,人工智能驱动的机器人在月球表面等恶劣环境中显示出希望。我们解决这个关键的泛化方面的机器人运动在崎岖的地形,通过我们已经创建了一个训练算法,称为路径规划和运动控制(PPMC)训练算法。该算法与任何通用的强化学习算法相结合,以教会机器人如何响应用户命令并在单个神经网络上行进到指定位置。在本文中,我们表明,该算法的工作原理独立的机器人结构,证明它的工作原理在轮式漫游车除了过去的结果在四足步行机器人。此外,我们通过引入粗糙的高度不平坦的地形,向现实世界的实用性迈出了几大步。关键的是,我们通过实验表明,机器人学会推广到新的粗糙地形地图,保持100%的成功率。据我们所知,这是第一篇论文介绍了一个通用的训练算法教学广义PPMC在粗糙的环境中的任何机器人,只是使用强化学习。
2020-03-13 cs.AI cs.LG cs.RO
RLOC: Terrain-Aware Legged Locomotion using Reinforcement Learning and Optimal Control
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
我们提出了一个统一的基于模型和数据驱动的方法,四足规划和控制,以实现动态运动在不平坦的地形。我们利用板上本体感受和外感受反馈映射到脚步计划使用强化学习(RL)的政策的感觉信息和所需的基本速度命令。该RL策略在广泛的程序生成的地形上进行模拟训练。当在线运行时,系统使用基于模型的运动控制器跟踪生成的足迹计划。我们评估我们的方法在各种复杂地形的鲁棒性。它表现出优先于攻击性运动的稳定性行为。此外,我们还介绍了两个辅助强化学习策略,用于校正全身运动跟踪和恢复控制。这些政策说明了物理参数和外部扰动的变化。我们训练和评估我们的框架上一个复杂的四足系统,ANYmal版本B,并证明可转移到一个更大,更重的机器人,ANYmal C,而不需要再培训。
2022-05-11 cs.LG cs.RO
Terrain-Adaptive Mobile 3D Printing with Hierarchical Control
Department of Electrical and Computer Engineering, University of Washington, USA(电气与计算机工程系,华盛顿大学);Department of Applied Mathematics, University of Washington, USA(应用数学系,华盛顿大学)
本研究提出了一种结合人工智能与分层控制的地形自适应移动三维打印框架,通过多传感器融合和闭环控制实现高精度打印与移动性平衡。
2026-01-15 cs.RO
Autonomous Mapless Navigation on Uneven Terrains
Luddy School of Informatics, Computing, and Engineering, Indiana University(印第安纳大学勒迪信息、计算与工程学院)
本文提出一种基于稀疏高斯过程局部感知模型的无地图导航方法,通过提取可行子目标并约束横滚俯仰角来选择安全路径,在不平坦地形上实现了优于其他规划器的实时高效导航。
2024-02-21 cs.RO cs.SY eess.SY
Online Dynamic Trajectory Optimization and Control for a Quadruped Robot
University of Edinburgh(爱丁堡大学);McGill University(麦吉尔大学)
足式机器人运动需要规划稳定的参考轨迹,特别是在穿越不平坦地形时。所提出的轨迹优化框架能够为多个步骤生成动态稳定的基础和脚步轨迹。运动任务可以用接触位置、基础运动或两者来定义,使得算法适用于多种场景(例如,移动障碍物)。该规划器使用简化的基于动量的任务空间模型的机器人动力学,允许计算时间足够快的在线重新规划。这种快速规划能力也使四足动物适应漂移和环境变化。该算法在模拟和真实机器人上进行了测试,包括不平坦的地形,楼梯和移动障碍物。结果表明,即使在最后时刻将一个15厘米高的盒子放在机器人路径的前面,该规划器也能够在真实机器人中生成稳定的轨迹。
2021-03-23 cs.RO
Robust Quadruped Jumping via Deep Reinforcement Learning
Ecole Polytechnique Federale de Lausanne(洛桑联邦理工学院);University of Southern California(南加州大学)
本文提出一种结合非线性轨迹优化与深度强化学习的四足跳跃框架,通过引入电机转矩-速度关系和功率约束实现仿真到实物零调参部署,在不平坦地形和动力学参数变化下实现距离达2倍体长、抗足端扰动达6 cm的鲁棒跳跃。
2023-08-11 cs.LG cs.RO cs.SY
An informative path planning framework for UAV-based terrain monitoring
University of Technology, Sydney(悉尼科技大学);ETH Zürich(苏黎世联邦理工学院)
无人机(UAV)代表了广泛的监测和研究应用的新领域。为了充分发挥其潜力,一个关键的挑战是规划任务,以便在复杂的环境中有效地获取数据采集。为了解决这个问题,本文介绍了一个通用的信息路径规划(IPP)框架,用于使用空中机器人监控场景,重点是传感器信息的值在目标区域中分布不均匀,先验未知的问题。该方法是能够学习和关注感兴趣的区域,通过适应映射离散或连续变量的地形上使用可变分辨率的数据从概率传感器。在任务期间,在线构建的地形图通过优化粗网格搜索获得的初始解来规划连续3D空间中信息丰富的轨迹。大量的模拟表明,我们的方法是更有效的比现有的方法。我们还展示了它的实时应用程序的真实感地图的情况下,使用公开的数据集,并证明了概念的农业监测任务。
2020-01-09 cs.RO
Adaptive Legged Locomotion via Online Learning for Model Predictive Control
Department of Aerospace Engineering, University of Michigan(密歇根大学航空航天工程系);Institute for Robotics and Intelligent Machines, Georgia Institute of Technology(佐治亚理工学院机器人与智能机器研究所)
该研究提出了一种通过在线学习和模型预测控制实现自适应四肢运动的算法,能够处理未知负载和不规则地形下的复杂任务。
2025-11-30 cs.RO cs.SY eess.SY
STATE-NAV: Stability-Aware Traversability Estimation for Bipedal Navigation on Rough Terrain
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology(机器人与智能机械研究所,佐治亚理工学院)
本文提出STATE-NAV框架,通过基于Transformer的神经网络预测双足机器人在粗糙地形中的稳定性,结合分层规划器实现风险感知的导航,提升导航性能和鲁棒性。
2025-12-05 cs.RO
Learning-based Hierarchical Control: Emulating the Central Nervous System for Bio-Inspired Legged Robot Locomotion
National University of Singapore(新加坡国立大学);Ecole Polytechnique Federale de Lausanne (EPFL)(洛桑联邦理工学院)
本研究提出一种基于学习的分层控制框架,包含脊髓策略和下行调制策略,模拟动物中枢神经系统以增强足式机器人在挑战性地形上的运动能力,并验证了多层控制对时间延迟的鲁棒性。
2024-04-27 cs.RO
Curved Surface Patches for Rough Terrain Perception
Northeastern University(东北大学)
在粗糙的户外地形上获得动物般的腿部运动,具有稀疏的立足点启示-腿与其他形式的运动相比的主要用例-是一个很大程度上开放的问题。控制和感知方面的新进展使两足动物能够在平坦和不平坦的室内环境中行走。但是,需要与非结构化世界表面可靠接触的任务,例如在自然岩石地形上行走,需要新的感知和控制算法。本文介绍了三维感知算法的接触任务,如脚放置在粗糙的地形环境。我们介绍了一种新的方法来识别和建模机器人的脚和表面之间的潜在接触区域使用一组有界曲面片。我们提出了一个补丁参数化模型和算法,以适应和感知验证补丁的三维点样本。在使用补丁模型定义了环境表示之后,我们引入了一种将补丁组装成空间地图的方法。该地图表示可能适合于机器人与表面之间的接触的局部区域的稀疏集合。创建这种地图的过程包括稀疏种子点采样、邻域搜索以及补丁拟合和验证。介绍了各种采样方法,包括实时的生物启发系统,用于找到统计上类似于人类在穿越岩石小径时选择的补丁。这些稀疏补丁算法与来自移动深度相机的范围数据的密集体积融合相集成,从而实时的维护机器人周围的相关接触表面的动态补丁图。我们集成和测试的算法作为一个实时的立足点感知系统的一部分,在一个小型的机器人,执行脚放置在岩石上。
2016-12-19 cs.RO
Hierarchical Adaptive Loco-manipulation Control for Quadruped Robots
University of Southern California(南加州大学)
足式机器人在不平坦地形的导航中显示出显著的优势。然而,在四足机器人上实现有效的运动和操纵任务仍然具有挑战性。此外,对象和地形参数通常是未知的机器人在这些问题。因此,本文提出了一种分层自适应控制框架,使足式机器人执行本地操作任务,而无需任何给定的假设对象的质量,摩擦系数,或地形的坡度。在我们的方法中,我们首先提出了一个自适应操纵控制来调节接触力,以操纵未知地形上的未知物体。然后,我们介绍了一个统一的模型预测控制(MPC)的本地操作,考虑到我们的机器人动力学的操纵力。因此,建议MPC框架可以有效地调节机器人和物体之间的相互作用力,同时保持机器人的平衡。我们所提出的方法的实验验证成功地进行了Unitree A1机器人,允许它操纵一个未知的时变负载$7$ $kg$($60\%$的机器人的重量)。此外,我们的框架能够快速适应未知的斜率(高达$20^\circ$)或具有不同摩擦系数的不同表面。
2023-03-11 cs.RO
Reliable Trajectories for Dynamic Quadrupeds using Analytical Costs and Learned Initializations
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
不平坦地形的动态穿越是腿式机器人领域的主要目标。这些系统的最新模型预测控制方法可以产生短时间的鲁棒动态运动,但是,在较长的时间范围内的规划时,导航复杂的地形可能是必要的。一个最近开发的框架,步行机器人(TOWR)的轨迹优化,计算这样的计划,但不保证他们的可靠性在真实的平台上,在不确定性和扰动。我们扩展TOWR与分析成本生成轨迹,一个国家的最先进的全身跟踪控制器可以成功地执行。为了减少在线计算时间,我们实现了一个基于学习的计划的非线性程序的初始化的基础上离线的经验。一个真正的四足动物在不同地形上执行长达16步和5.5秒的轨迹,证明了该方法在硬件上的有效性。这项工作建立了一个在线系统,可以有效地和强大的重新规划动态轨迹。
2020-02-17 cs.RO
Fast Approximate Clearance Evaluation for Rovers with Articulated Suspension Systems
Jet Propulsion Laboratory(喷气推进实验室);California Institute of Technology(加州理工学院);Ècole Normale Supèrieure de Paris(巴黎高等师范学院);Indian Institute of Technology(印度理工学院)
我们提出了一个轻量级的身体地形间隙评估算法的自动路径规划的美国宇航局的火星2020漫游者。地外路径规划是具有挑战性的,由于地形粗糙度和计算资源的严重限制相结合。在杂乱和/或不平坦地形上的路径规划需要以小的间隔对所有候选路径进行重复的安全检查。预测未来的漫游车状态需要模拟车辆在地形上的沉降,这涉及到几何约束下的迭代非线性优化的逆运动学问题。然而,这种昂贵的计算对于缓慢的航天器计算机来说是难以处理的,例如由Currency火星探测器和即将到来的火星2020探测器使用的RAD 750。我们提出了近似间隙评估(ACE)算法,该算法无需迭代计算即可获得车辆间隙、姿态和悬架角度的保守界。它通过估计每个车轮可能达到的最低和最高高度来获得这些边界,并计算与这些极端车轮高度相关的最坏情况车辆配置。边界保证是保守的,从而确保车辆在自主导航期间的安全。ACE计划用作火星2020漫游者新的机载路径规划器的一部分。本文详细描述了该算法,并通过实验验证了我们的主张的保守性和快速计算。
2019-07-01 cs.RO
Learning to Walk in Minutes Using Massively Parallel Deep Reinforcement Learning
ETH Zurich(苏黎世联邦理工学院);NVIDIA(英伟达)
在这项工作中,我们提出并研究了一个训练设置,实现了快速的政策生成现实世界的机器人任务,通过使用大规模的并行在一个工作站GPU。我们分析和讨论了不同的训练算法组件在大规模并行制度的最终政策的性能和训练时间的影响。此外,我们提出了一个新颖的游戏启发的课程,非常适合与成千上万的模拟机器人并行训练。我们通过训练四足机器人ANYmal在具有挑战性的地形上行走来评估这种方法。平行的方法允许在四分钟内训练平坦地形的策略,在二十分钟内训练不平坦地形的策略。与以前的工作相比,这代表了多个数量级的加速。最后,我们将策略转移到真实的机器人来验证该方法。我们开源了我们的训练代码,以帮助加速在学习腿部运动领域的进一步研究。
2022-08-19 cs.LG cs.RO
Entropy-Controlled Intrinsic Motivation Reinforcement Learning for Quadruped Robot Locomotion in Complex Terrains
Faculty of Information Technology, Beijing University of Technology(信息技术学院,北京理工大学);Faculty Nuclear Industry X Intelligence Laboratory, Beijing University of Technology(核工业X智能实验室,北京理工大学);Department of Computer Science, University of Bristol(计算机科学系,布里斯托大学)
本文提出基于熵控制的内在动机强化学习算法ECIM,用于提升四足机器人在复杂地形中的运动稳定性与能效。
2025-12-13 cs.RO
Contact feedback helps snake robots propel against uneven terrain using vertical bending
Johns Hopkins University(约翰斯·霍普金斯大学)
本研究系统比较前馈与四种反馈控制器,发现接触反馈能解决蛇形机器人垂直弯曲推进中的接触丧失和电机过载问题,有助于穿越高起伏地形。
2025-09-25 cs.SY eess.SY physics.bio-ph
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
Capturability-based Pattern Generation for Walking with Variable Height
Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier (LIRMM)(蒙彼利埃信息学、机器人学与微电子实验室(LIRMM));CNRS(法国国家科学研究中心);University of Montpellier(蒙彼利埃大学);CNRS-AIST Joint Robotics Laboratory (JRL)(法国国家科学研究中心-产业技术综合研究所联合机器人实验室(JRL));Sapienza Università di Roma(罗马第一大学);Laboratoire Analyse, Géométrie et Applications (LAGA)(分析、几何与应用实验室(LAGA));Paris 13 University(巴黎第十三大学)
线性倒立摆(LIP)模型的可捕获性分析,使步行与约束的高度的基础上的捕获点。我们将这种分析推广到可变高度倒立摆(VHIP),并展示了它如何根据捕获输入在不平坦的地形上实现3D行走。由于一个定制的优化方案,我们可以计算这些输入足够快的实时模型预测控制。我们将这种方法实现为开源软件,并在动态模拟中演示。
2018-10-25 cs.RO math.OC
GRoQ-LoCO: Generalist and Robot-agnostic Quadruped Locomotion Control using Offline Datasets
Indian Institute of Science(印度科学研究院)
提出GRoQ-LoCO,一个基于注意力且与机器人无关的框架,利用离线数据集在多个四足机器人上训练通用运动策略,实现零样本跨机器人迁移,并已在Unitree Go1和Stoch 5上验证。
2025-05-24 cs.AI cs.LG cs.RO
BinWalker: Development and Field Evaluation of a Quadruped Manipulator Platform for Sustainable Litter Collection
Istituto Italiano di Tecnologia(意大利技术研究院)
BinWalker是一种四足机器人平台,用于自主收集户外垃圾,通过结合腿部运动和机械臂实现高效可持续的垃圾清理任务。
2026-09-02 cs.RO
Path Planning Tolerant to Degraded Locomotion Conditions
ShanghaiTech University(上海科技大学)
移动机器人,特别是那些在户外和非结构化地形中行驶的机器人,有时会遇到运动故障和错误,例如轮胎压力不均匀或漏气,轴松动或偏离轨道。这些错误是机器人的里程计所忽略的。由于系统的物理限制,影响机器人运动性能的其他因素,如有效载荷的重量和分布、机器人行驶的地形或电池电量不能由机器人的PID速度或位置控制器补偿。传统的规划系统忽略了这些问题,因此可能会规划不可行的轨迹。此外,路径跟踪模块忽略了这些问题,将产生次优的运动模式,如果他们可以达到目标。在本文中,我们提出了一种自适应路径规划算法,是宽容的,这样的退化运动条件。我们通过同时定位和映射(SLAM)不断观察机器人的执行动作来做到这一点。从执行的路径和给定的运动命令中,我们不断地收集和聚类运动基元(MP),这些运动基元又用于规划。因此,机器人可以自动检测和适应不同的运动条件,并反映在规划的路径。
2020-05-09 cs.RO
An Input-to-State Stability Perspective on Robust Locomotion
California Institute of Technology(加州理工学院)
针对传统稳定性分析无法刻画双足机器人在非平坦地形扰动下运动能力的问题,提出δ-鲁棒性定义,基于扩展庞加莱映射的ISS构建鲁棒李雅普诺夫函数,形成验证框架并经仿真验证。
2023-06-09 cs.RO cs.SY eess.SY
Orientation-Aware Model Predictive Control with Footstep Adaptation for Dynamic Humanoid Walking
Massachusetts Institute of Technology(麻省理工学院)
提出了一种新的动态仿人步行的方向感知模型预测控制(MPC),可以在线规划脚步位置。而不是一个点质量模型,这项工作使用增强单刚体模型(aSRBM),使MPC利用方向动力学和步进策略在一个统一的优化框架。在足迹位置作为aSRBM中的决策变量的一部分的情况下,MPC可以在运动学约束内推理步进。任务空间控制器(TSC)跟踪MPC输出的身体姿势和摆动腿参考,同时利用人形机器人的全阶动力学。所提出的控制框架是适合于实时应用,因为MPC和TSC制定为二次规划。仿真研究表明,方位感知MPC为基础的框架是更强大的外部转矩干扰相比,国家的最先进的控制器使用点质量模型,特别是当躯干经历大的角偏移。同样的控制框架也可以使麻省理工学院的人形机器人克服不平坦的地形,例如穿越波场。
2022-07-25 cs.RO
Advancing Humanoid Locomotion: Mastering Challenging Terrains with Denoising World Model Learning
RobotEra TECHNOLOGY CO., LTD.(RobotEra科技有限公司);Tsinghua University(清华大学);Shanghai Qi Zhi Institute(上海期智研究院)
本研究提出端到端强化学习框架DWL,通过去噪世界模型学习解决仿人机器人在复杂地形上的运动控制问题,实现全球首个掌握雪地、楼梯等挑战性地形的仿人机器人,并具备零样本仿真到现实迁移能力。
2024-08-26 cs.AI cs.RO cs.SY
LocoMamba: Vision-Driven Locomotion via End-to-End Deep Reinforcement Learning with Mamba
School of Computer Science and Statistics, Trinity College Dublin(计算机科学与统计学系,三一学院都柏林)
LocoMamba通过端到端深度强化学习实现视觉驱动的运动控制,利用Mamba模型提升序列建模效率,有效捕捉长程依赖并增强训练效率。
2025-12-14 cs.AI cs.CV cs.RO