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
Integrating Trajectory Optimization and Reinforcement Learning for Quadrupedal Jumping with Terrain-Adaptive Landing
Machine Intelligence Lab (MiLAB), School of Engineering, Westlake University(人工智能实验室(MiLAB),工程学院,西湖大学)
本文提出一种结合轨迹优化与强化学习的四足机器人安全落地框架,通过奖励松弛策略实现在粗糙地形上的自适应落地与精确跟踪,有效解决了非平坦地面的落地问题。
2025-09-16 cs.RO
Explosive Jumping with Rigid and Articulated Soft Quadrupeds via Example Guided Reinforcement Learning
Cognitive Robotics, Delft University of Technology(德鲁夫特理工大学认知机器人实验室);Department of Computer Science, University of Manchester(曼彻斯特大学计算机科学系);Department of Industrial Engineering, University of Trento(特伦托大学工业工程系);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)
本文提出基于示例引导的深度强化学习方法,通过模仿轨迹优化示例并渐进训练,使刚性与并联弹性四足机器人实现多方向、可变距离的鲁棒跳跃,显著降低着陆误差、能耗和峰值扭矩。
2025-08-26 cs.RO
Evolutionary-Based Online Motion Planning Framework for Quadruped Robot Jumping
The Chinese University of Hong Kong(香港中文大学);Hong Kong Centre for Logistics Robotics(香港物流机器人中心)
本文提出基于差分进化、拉丁超立方采样和配置空间(DLC)的四足机器人跳跃在线运动规划框架,通过引入质心动力学优化、缩小搜索区域及热启动策略大幅降低求解时间,并在真实机器人上验证了多种跳跃动作的有效性。
2023-09-14 cs.RO
A Fast Online Omnidirectional Quadrupedal Jumping Framework Via Virtual-Model Control and Minimum Jerk Trajectory Generation
Chinese University of Hong Kong(香港中文大学)
本文提出一种基于最小加加速度轨迹生成和虚拟模型控制的四足机器人快速全向跳跃框架,在增强版Mini Cheetah上实现50微秒级实时求解与连续全向跳跃。
2024-06-30 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
First Steps Towards Full Model Based Motion Planning and Control of Quadrupeds: A Hybrid Zero Dynamics Approach
California Institute of Technology(加州理工学院);Virginia Polytechnic Institute and State University(弗吉尼亚理工学院暨州立大学)
混合零动力学(HZD)方法已成为双足机器人步态规划和控制的有力工具。本文旨在扩展HZD方法,以解决四足机器人的行走,漫步和小跑行为。我们提出了一个框架,系统地产生了广泛的最佳轨迹,然后证明稳定他们的全阶,非线性和混合动力模型的四足运动。步态规划是通过一个可扩展的非线性规划,使用直接配置和HZD。然后通过Poincaré截面分析实现指数稳定的控制器综合。特别是,我们采用迭代优化算法,涉及线性和双线性矩阵不等式(LMI和BMI)设计基于HZD的控制器,保证指数稳定的不动点的庞加莱返回映射。通过步态生成和基于HZD的控制器合成的一个先进的四足机器人,-视觉60,36个状态变量和12个控制输入的框架的权力被证明。数值模拟和真实世界的实验证实了所提出的框架的有效性。
2019-09-17 cs.RO cs.SY eess.SY
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
Motion Planning for Quadrupedal Locomotion: Coupled Planning, Terrain Mapping and Whole-Body Control
Istituto Italiano di Tecnologia(意大利技术研究院);University of Edinburgh(爱丁堡大学);University of Oxford(牛津大学)
由于地形模型可能产生许多局部极小值,因此规划全身运动同时考虑地形条件对于足式机器人是一个具有挑战性的问题。我们的耦合规划方法使用随机和导数免费搜索计划的立足点位置和水平运动,由于地形模型产生的局部极小值。它联合优化身体运动,步骤持续时间和立足点选择,它的地形模型作为一个成本地图。由于姿态规划方法新颖,水平运动规划可以适用于各种地形条件。姿态规划器通过限制角加速度来确保机器人的稳定性。我们的全身控制器跟踪顺应躯干运动,同时避免滑动,以及运动和扭矩限制。尽管使用的简化模型,这是有限的平坦地形,我们的方法显示出显着的能力,以处理广泛的非共面地形。通过在一系列复杂性逐渐增加的地形中进行实验和比较评估,验证了结果。
2020-06-27 cs.RO cs.SY eess.SY
An Efficient Optimal Planning and Control Framework For Quadrupedal Locomotion
Moog(穆格公司)
本文提出一种高效的动态规划框架,用于四足机器人的最优规划与控制,通过多级优化方法高效求解切换时间和连续控制输入,并采用连续时间约束LQR算法优化前馈与反馈控制器。
2017-03-04 cs.RO cs.SY eess.SY
Continuous Dynamic Bipedal Jumping via Real-time Variable-model Optimization
University of Southern California(南加州大学)
针对双足机器人连续动态跳跃的实时规划计算难题,提出变模型轨迹优化与变频率MPC的统一框架,在HECTOR机器人上实现了跨越40 cm距离及复杂地形的鲁棒连续跳跃。
2024-09-22 cs.RO cs.SY eess.SY
Underactuated Motion Planning and Control for Jumping with Wheeled-Bipedal Robots
Southern University of Science and Technology(南方科技大学);National University of Singapore(新加坡国立大学);University of Notre Dame(圣母大学)
本文研究了轮式双足机器人的跳跃运动,充分利用了轮式和腿式混合设计的优点。针对轮式双足机器人跳跃运动的运动规划和控制问题,提出了一种综合的分层规划方法。轮-双足动力学的欠驱动是需要解决的主要困难,特别是在规划问题中。为了解决这个问题,提出了一种新的轮式弹簧加载倒立摆(W-SLIP)模型来描述轮式双足机器人在跳跃过程中的基本动力学。依赖于微分平坦的性质的W-SLIP模型,一个易于处理的二次规划为基础的解决方案,规划跳跃运动的轮式双足机器人。结合考虑飞行相位运动的运动学规划方案,给出了完整的W-SLIP模型规划方案。为了使规划轨迹的准确跟踪,基于线性二次型调节器的车轮控制器和任务空间全身控制器的其他关节混合通过干扰观测器。整体规划和控制方案进行了验证,使用V-REP模拟原型轮式双足机器人。
2020-12-11 cs.RO
Search-based Kinodynamic Motion Planning for Omnidirectional Quadruped Robots
Zhejiang University(浙江大学)
自主导航在四足机器人系统中发挥着越来越重要的作用。然而,大多数现有的作品四足机器人导航使用传统的基于搜索或基于样本的方法不考虑四足机器人的kinodynamic特性,产生kinodynamically不可行的部分,难以跟踪。在本文中,我们介绍了一个完整的导航系统,考虑到全向能力的四足机器人。首先,我们使用kinodynamic路径寻找方法,以获得光滑,动态可行,时间最优的初始路径,并添加碰撞成本作为软约束,以确保安全。然后基于四足机器人的全方位模型,采用时间弹性带(TEB)方法对轨迹进行了细化。我们的工作的优越性能,证明通过模拟和现实世界的实验,我们的四足机器人爵英迷你。
2021-03-11 cs.RO
Kinodynamic Motion Planning for Multi-Legged Robot Jumping via Mixed-Integer Convex Program
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Korea Advanced Institute of Science and Technology(韩国科学技术院)
提出了一种基于混合整数凸规划(MICP)的多足足式机器人跳跃运动学运动规划框架,该框架同时考虑质心运动、接触点、扳手和步态序列。该方法将位形空间离散化和可行扳手多面体(FWP)的构造相结合,将运动学约束、执行器限制、摩擦锥约束和步态排序编码到一个MICP中。MICP可以有效地解决了全球最佳的现成的数值求解器,并提供高动态跳跃运动,而不需要初始猜测。仿真和实验结果表明,所提出的方法可以找到新颖灵巧的机动,直接部署在两足足式机器人平台上,以穿越具有挑战性的地形。
2020-11-03 cs.RO
RAKOMO: Reachability-Aware K-Order Markov Path Optimization for Quadrupedal Loco-Manipulation
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);Oxford Robotics Institute, University of Oxford(牛津大学机器人研究所)
本文提出 RAKOMO,将神经网络预测的可达性裕度纳入 KOMO,使梯度规划适配四足移动操作,并在 HyQReal 拾取放置仿真中验证其性能。
2025-07-25 cs.RO cs.SY eess.SY
Hierarchical Reinforcement Learning for Precise Soccer Shooting Skills using a Quadrupedal Robot
University of California, Berkeley(加州大学伯克利分校);Université de Montréal(蒙特利尔大学);Mila(米拉人工智能研究院)
我们解决的问题,使四足机器人在现实世界中使用强化学习执行精确的射击技能。开发算法使足式机器人能够将足球射到给定目标是一个具有挑战性的问题,它将机器人运动控制和规划结合到一个任务中。为了解决这一问题,在对动态足式机器人进行控制时,需要考虑动力学约束和运动稳定性。此外,我们需要考虑运动规划,以拍摄难以建模的变形球在地面上滚动与不确定的摩擦到期望的位置。在本文中,我们提出了一个层次化的框架,利用深度强化学习来训练(a)一个鲁棒的运动控制策略,可以跟踪任意运动和(b)一个规划策略,以决定所需的踢球运动,将足球射到目标。我们部署的A1四足机器人,使它能够准确地拍摄球随机目标在现实世界中提出的框架。
2022-08-01 cs.AI cs.RO cs.SY
Guided Reinforcement Learning for Omnidirectional 3D Jumping in Quadruped Robots
Dynamic Legged System (DLS), Istituto Italiano di Tecnologia (IIT)(动态腿系统(DLS),意大利技术研究院(IIT))
本文提出一种引导强化学习方法,结合贝塞尔曲线与匀加速直线运动模型,提高四足机器人三维跳跃的效率和可解释性,通过仿真和实验验证了其优越性。
2026-05-18 cs.RO cs.SY eess.SY
Agile and Safe Trajectory Planning for Quadruped Navigation with Motion Anisotropy Awareness
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology, China(华中科技大学人工智能与自动化学院)
本文提出了一种考虑四足机器人运动各向异性的导航框架,通过轨迹生成与优化提升导航效率和安全性。
2024-03-15 cs.RO
Autonomous Navigation for Quadrupedal Robots with Optimized Jumping through Constrained Obstacles
UC Berkeley(加州大学伯克利分校)
四足动物是导航具有挑战性的环境,因为他们的敏捷和动态的设计强有力的候选人。本文提出了一种方法,通过创建一个端到端的导航框架,利用步行和跳跃模式,扩展四足机器人的探索范围。为了获得一个动态的跳跃动作,同时避免障碍物,动态可行的轨迹优化离线通过基于配置的优化,其中施加安全约束。这样的优化示意图允许机器人通过考虑空中和地面上的障碍物来跳过窗口形障碍物。由此产生的跳跃模式中使用的自主导航管道,利用基于搜索的全局规划器和本地规划器,使机器人通过步行到达目标位置。状态机与决策策略一起允许系统在绕过障碍物或跳过障碍物之间切换行为。所提出的框架进行了实验部署和验证的四足机器人,迷你猎豹,使机器人能够自主导航通过环境,同时避免障碍物和跳跃的最大高度为13厘米,通过一个窗口形的开口,以达到其目标。
2021-07-01 cs.AI cs.RO cs.SY
QTOS: An Open-Source Quadruped Trajectory Optimization Stack
Vanderbilt University(范德堡大学)
QTOS是一个开源四足机器人轨迹优化栈,集成全局与局部规划、模拟、控制和机器人接口,简化高层导航目标到低层命令的转化,并提升复杂地形长距离步态规划的稳定性与适应性。
2023-09-16 cs.RO
On-line and on-board planning and perception for quadrupedal locomotion
Istituto Italiano di Tecnologia(意大利理工学院)
我们提出了一个腿部运动规划方法,四足运动具有挑战性的地形。我们将问题分解为身体动作规划和脚步规划。我们使用一个晶格表示连同一组定义的身体运动原语计算身体行动计划。格子表示使我们能够计划多功能的运动,确保每个可能的计划的可行性。为此,我们提出了一套规则,定义的足迹搜索区域和足迹序列给定的身体动作。我们使用Anytime Repairing A*(ARA*)搜索,保证有界次优计划。我们的主要贡献是一个规划方法,产生在线多功能运动。实验测试证明了我们的规划方法在一组具有挑战性的地形条件下的性能。地形信息和计划是在线和车载计算的。
2019-04-07 cs.CV cs.RO
CDM-MPC: An Integrated Dynamic Planning and Control Framework for Bipedal Robots Jumping
Harbin Institute of Technology(哈尔滨工业大学);Beijing Institute for General Artificial Intelligence (BIGAI)(北京通用人工智能研究院);Soochow University(苏州大学)
提出集成质心动力学 MPC、运动动力学规划、IK 求解与着陆控制的 CDM-MPC 框架,并在 KUAVO 机器人的仿真和实验中验证其动态跳跃性能。
2024-05-20 cs.RO
Real-time Trajectory Optimization and Control for Ball Bumping with Quadruped Robots
Southern University of Science and Technology(南方科技大学);Guangdong University of Technology(广东工业大学)
研究了四足机器人撞球运动的实时的运动规划与控制问题。为了使四足动物碰撞飞行球与不同的初始化,我们开发了一个非线性的轨迹优化为基础的规划方案,共同识别起飞时间和状态,以实现准确的击球在飞行阶段。这样的规划方案采用二维单刚体模型,该模型对于高度时间敏感的任务在精度和效率之间实现了令人满意的平衡。为了精确地执行计划的运动,跟踪控制器需要将严格的时间状态约束施加在起飞和击球事件上。为此,我们开发了一种改进的模型预测控制器,尊重关键的时间状态约束。建议的规划和控制框架进行了验证与一个真正的Aliengo机器人。实验表明,该问题规划方法平均计算时间约为60 ms,能够实时的成功完成各种初始化的撞球运动。
2022-10-11 cs.RO
Analytic Model for Quadruped Locomotion Task-Space Planning
University of Edinburgh(爱丁堡大学)
尽管动物中广泛存在腿运动,但用机器人复制它是极具挑战性的。腿部运动是一项动态任务,它得益于利用系统重力的规划。然而,这种优化的计算成本随着运动结构的复杂性而迅速增加,使得不可能在非结构化环境中进行实时部署。提出了一种简化的四足机器人质心和脚轨迹生成方法。该模型将四足动物描述为通过其质心连接的两个两足动物,并且它是基于代数两足动物模型的扩展,该模型使用重力吸引子的拓扑来描述两足动物运动策略。结果表明,该模型生成的轨迹与以前的研究一致。该模型将部署在未来的种子解决方案,全身轨迹优化,试图减少计算成本,并获得在具有挑战性的环境中的复杂动作的实时规划。
2019-04-23 cs.RO
From Bipedal Walking to Quadrupedal Locomotion: Full-Body Dynamics Decomposition for Rapid Gait Generation
California Institute of Technology(加州理工学院)
本文系统地将四足机器人分解为两足机器人以快速产生步行步态,然后将这些步态重组以获得四足运动。首先,我们分解的全阶,非线性和混合动力学的三维四足机器人,包括其连续和离散的动态,到两个双足系统受到外力。使用混合零动态(HZD)框架,这些双足机器人的步态可以快速生成(秒级)以及相应的控制器。分解是以这样一种方式实现的,双足步行步态和控制器可以组成,以产生动态步行步态的原始四足机器人-其结果是快速生成的动态四足步态利用全阶动力学。这种方法是通过快速生成(平均3.96秒)的四步到位的步态和一个对角对称漫步步态在0.35米/秒的四足机器人-视觉60,36个状态变量和12个控制输入-无论是在模拟和通过室外实验。这提出了一种使用全身动力学进行快速四足动物轨迹规划的新方法,而不需要经验模型简化,其中来自动态双足动物行走的方法可以直接应用于四足动物。
2020-03-19 cs.RO cs.SY eess.SY
Dual-MPC Footstep Planning for Robust Quadruped Locomotion
针对四足机器人运动中角动量仅靠地面反作用力控制导致的问题,提出双MPC步足规划策略,通过互反馈耦合步足规划与GRF优化,减少振荡并延长支撑和摆动相,提升鲁棒性。
2025-11-11 cs.RO
Tethered Variable Inertial Attitude Control Mechanisms through a Modular Jumping Limbed Robot
University of California Los Angeles(加州大学洛杉矶分校)
本文提出面向低重力行星探测的系绳可变惯性姿态控制机构SPLITTER,由两台亚10kg四足机器人经系绳连接,通过MPC调整肢体和系绳长度改变转动惯量实现飞行稳定,无需飞轮或气动支持,为小型行星机器人连续跳跃探测提供高效方案。
2025-01-17 cs.RO
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
State Estimation Transformers for Agile Legged Locomotion
Xiaomi Robotics Lab(小米机器人实验室);Center for Robotics and Biosystems, Northwestern University(西北大学机器人与生物系统中心)
本文提出State Estimation Transformers(SET),将状态估计建模为条件序列建模,利用因果掩码Transformer预测四足机器人身体高度和速度等特权状态,在Cyberdog2上验证了其在跳跃、后空翻和侧滑任务中的估计精度、可迁移性及真实环境成功率优势。
2024-10-17 cs.RO
Safe Motion Planning for Quadruped Robots Using Density Functions
Clemson University(克莱姆森大学)
本研究针对四足机器人运动规划问题,提出基于密度函数的分层规划框架,结合高层反馈密度规划器、MPC轨迹优化与低层PID控制,通过仿真验证了方法的有效性并开源了代码。
2023-12-14 cs.RO
HyperGuider: Virtual Reality Framework for Interactive Path Planning of Quadruped Robot in Cluttered and Multi-Terrain Environments
Skoltech(斯科尔科沃科学技术研究院)
四足平台由于其在崎岖地形中的高机动性和可通行性而成为一个活跃的研究课题。然而,确定机器人是否可以通过嘈杂的环境以及如何精确计算其路径是非常具有挑战性的。此外,所计算的路径可能穿过具有动态对象或环境的区域,这些动态对象或环境对于机器人或周围的人是危险的。因此,我们提出了一种新的概念性的方法,教四足机器人导航通过用户引导的路径规划在虚拟现实(VR)。我们的系统包含全局和局部路径规划器,允许机器人通过迭代学习生成路径。VR界面允许用户与环境交互,并在具有挑战性的场景中协助四足机器人。对比实验结果表明,人与路径规划算法的协同工作使算法的计算速度平均提高了35.58%,在测试场景下,路径长度平均非临界性地增加了6.66%。此外,用户将VR界面描述为不需要物理需求(2.3/10),并高度评价其性能(7.1/10)。对于在杂乱和非结构化环境中导航的任务,仍然需要找到一条不太理想但更安全的路径的能力。
2022-09-20 cs.HC cs.RO
Hybrid Dynamics Modeling and Trajectory Planning for a Cable-Trailer System with a Quadruped Robot
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology(人工智能与自动化学院,华中科技大学);Department of Data Science, City University of Hong Kong(数据科学系,城市大学);Embodied AI Center of Shanghai AI Lab(上海人工智能实验室具身智能中心)
本文提出了一种混合动力学模型和搜索算法,用于四足机器人与电缆-拖车系统的轨迹规划,通过几何多边形碰撞避免约束实现安全高效的运动控制。
2025-11-05 cs.RO
ARMP: Autoregressive Motion Planning for Quadruped Locomotion and Navigation in Complex Indoor Environments
Georgia Institute of Technology(佐治亚理工学院)
由于足式机器人复杂的动力学特性,使其产生自然的、物理上可行的运动一直是一个具有挑战性的问题。在这项工作中,我们介绍了一种新的基于学习的框架自回归运动规划器(ARMP)的四足动物的运动和导航。我们的方法可以生成运动计划与任意长度的自回归的方式,不像大多数离线轨迹优化算法的固定轨迹长度。为此,我们首先通过解决各种场景和参数设置的密集轨迹优化问题来构建运动库。然后,我们从数据集学习的运动流形在监督学习的方式。我们表明,建议的ARMP可以产生物理上合理的各种任务和情况下的运动。我们还展示了我们的方法可以成功地集成到最近的机器人导航框架作为一个低级别的控制器,并释放复杂的室内导航的足式机器人的全部能力。
2023-03-28 cs.RO
Versatile Real-Time Motion Synthesis via Kino-Dynamic MPC with Hybrid-Systems DDP
University of Notre Dame(圣母大学);Robotics at Google(谷歌机器人部门)
四足机器人的跳跃等特殊运动通常通过一次性解决轨迹优化问题并使用跟踪控制器执行轨迹来实现。这种方法与通常通过在线重新规划来控制规则步态的模型预测控制(MPC)策略并行。在这项工作中,我们提出了一个非线性MPC(NMPC)技术,解锁的飞行重新规划的专门运动技能和定期运动在一个统一的框架内。NMPC的原因是关于一个混合kinodynamic模型,并解决了使用一个受约束的差分动态规划(DDP)求解器的变体。建议的NMPC使机器人能够执行各种敏捷的技能,如跳跃,跳跃和小跑,以及这些技能之间的快速转换。我们评估了所提出的算法与三个具有挑战性的运动序列,结合多种灵活的技能,在两个四足动物平台,Unitree A1,和麻省理工学院迷你猎豹,显示其有效性和通用性。
2022-09-28 cs.RO
Interactive multi-modal motion planning with Branch Model Predictive Control
California Institute of Technology(加州理工学院)
自主机器人和车辆的运动规划存在的不受控制的代理仍然是一个具有挑战性的问题,因为反应行为的不受控制的代理必须考虑。由于不受控制的智能体通常表现出多模态反应行为,运动规划器需要解决这些行为下的连续运动规划问题,其中包含离散元素。我们提出了一个分支模型预测控制(MPC)框架,计划反馈策略,利用不受控制的代理的反应行为。特别是,一个场景树是从一个有限的一组不受控制的代理的政策,和分支MPC解决了反馈策略的轨迹树的形式,共享相同的拓扑结构的场景树。此外,一致的风险度量,如条件风险价值(CVaR)被用作调整旋钮,以调整性能和鲁棒性之间的权衡。建议的分支MPC框架进行测试的超车和变道任务和合并任务的自动驾驶车辆的模拟,并在实验中的一个自主四足机器人旁边的不受控制的四足动物的运动规划。结果展示了有趣的人类行为,实现了安全和性能之间的平衡。
2021-09-18 cs.RO cs.SY eess.SY
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
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
Towards Low-Gravity Planetary Exploration using Reinforcement Learning for Walking, Jumping, and In-flight Attitude Control
Autonomous Robots Lab(自主机器人实验室);NTNU(挪威特罗姆瑟大学)
本文利用强化学习为四足机器人在火星低重力环境下开发行走、垂直跳跃、前向跳跃及飞行姿态控制策略,实现跨越障碍物并安全着陆,仿真与实验验证了策略的有效性。
2026-05-23 cs.RO cs.SY eess.SY
Hierarchical Experience-informed Navigation for Multi-modal Quadrupedal Rebar Grid Traversal
Georgia Institute of Technology(佐治亚理工学院);School of Mechanical Engineering, Georgia Institute of Technology(佐治亚理工学院机械工程学院);SkyMul Inc(SkyMul公司);School of Electrical and Computer Engineering, Georgia Institute of Technology(佐治亚理工学院电气与计算机工程学院)
本研究提出一种分层经验引导的多模态接触规划框架,结合高层接触序列规划与底层运动动力学轨迹优化,引入躯干路径引导启发式减少离线试验次数,实现四足机器人在受限钢筋环境中的敏捷导航,并通过仿真与真实硬件验证了有效性。
2024-04-13 cs.RO
Multi-Objective Global Path Planning for Lunar Exploration With a Quadruped Robot
ETH Zurich(苏黎世联邦理工学院)
针对非结构化月球探测环境的多目标路径规划需求,提出基于A*算法、可调整目标权重的全局规划器及配套统计分析工具,在阿里斯塔克斯高原测试中效果优于人工规划路径且已开源。
2024-06-24 cs.RO
Predictive Control with Indirect Adaptive Laws for Payload Transportation by Quadrupedal Robots
Department of Mechanical Engineering, Virginia Tech(机械工程系,弗吉尼亚理工学院)
本文提出一种基于间接自适应律的预测控制框架,用于四足机器人在复杂地形中稳健运输未知负载。
2026-03-09 cs.RO cs.SY eess.SY
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
Skill-Nav: Enhanced Navigation with Versatile Quadrupedal Locomotion via Waypoint Interface
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
Skill-Nav通过路点接口将四足运动技能与分层导航框架结合,利用深度强化学习训练策略,实现复杂地形中的自主导航与避障,实验验证其有效性。
2025-09-07 cs.RO
Quadruped Capturability and Push Recovery via a Switched-Systems Characterization of Dynamic Balance
Southern University of Science and Technology(南方科技大学);University of Notre Dame(圣母大学)
本文研究四足机器人运动的捕获性和推力恢复。尽管关于足式机器人的可捕获性分析和推动恢复控制的文献丰富,但现有的工具主要是为两足动物或类人动物开发的。独特的四足特征,如点接触和多摆动腿,防止直接应用这些方法。为了解决这个差距,我们提出了一个切换系统模型的四足动力学,并实例化的抽象可行性概念四足运动与基于时间的步态。捕获的特点是通过一个新的规范的动态平衡状态,解决了四足运动和平衡的时变性质。一个线性倒立摆(LIP)模型被采用来证明理论和显示如何新开发的四足捕获能力可以用于运动规划四足推动恢复。我们制定和解决一个明确的模型预测控制(EMPC)问题,其最优解充分表征四足动物的捕获能力与LIP。基于此分析,设计了一种基于优化的规划方案,用于在推恢复期间确定脚步和质心参考。为了验证整个框架的有效性,我们进行了大量的仿真和硬件实验。仿真结果表明,考虑动态平衡的四足机器人的捕获能力的必要性,和显着改善的干扰抑制与所提出的策略。对迷你猎豹四足动物的复制品进行的实验验证表明,与最先进的技术相比,其性能提高了100%。
2022-02-17 cs.RO
Quadrupedal Footstep Planning using Learned Motion Models of a Black-Box Controller
Istituto Italiano di Tecnologia (IIT)(意大利技术研究院);University of Bonn(波恩大学)
本研究提出一种快速局部运动规划流水线,通过学习黑盒行走控制器的运动模型并结合A star算法变体,使四足机器人能够基于视觉信息安全自主地穿越崎岖地形。
2025-01-29 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
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
Optimization-Based Quadrupedal Hybrid Wheeled-Legged Locomotion
Politecnico di Milano(米兰理工大学);Istituto Italiano di Tecnologia(意大利技术研究院)
混合轮腿运动是一种导航范式,最近才由新型机器人设计开辟,例如半人马型人形CENTAURO [1]或四足动物ANYmal [2],其配置具有非转向轮。术语“混合运动”在下文中用于表示一种特定类型的运动,通过同时协调使用腿和轮子来实现,参见图1。这样的选择源于双腿运动和更简单的轮式导航之间的交叉点,以便从两种技术中获得最佳效果:敏捷性和穿越不平坦地形的能力来自第一种,速度和稳定性来自第二种。因此,为混合机器人规划可行轨迹的问题与腿运动问题有许多相似之处:同样在混合情况下,考虑到带轮的脚只能推地面而不能拉地面,基座的运动是通过脚与环境的接触实现的。必须考虑与摩擦锥体相容的力,而触点可以正好沿着由轮的定向所规定的方向滑动。
2021-07-15 cs.RO cs.SY eess.SY
Whole-body model predictive control with rigid contacts via online switching time optimization
Kyoto University(京都大学)
针对具有刚性接触的机器人系统,提出了一种基于在线切换时间优化的整体模型预测控制(MPC)方法。我们把机器人动力学与刚性接触作为一个切换系统,制定切换系统的最优控制问题,以实现MPC。我们利用一个有效的解决方案算法的MPC问题,同时优化切换时间和轨迹。本高效的算法,不像现有的低效的方法,使在线优化以及切换时间。通过对四足机器人动态跳跃运动的数值模拟,将在线STO的MPC与传统的固定切换时间的MPC进行了比较。在仿真比较中,所提出的MPC成功地控制了动态跳跃运动的两倍的情况下,传统的MPC,这表明所提出的方法扩展了整体MPC的能力。我们进一步进行硬件实验的四足机器人Unitree A1和证明所提出的方法实现了真实机器人的动态运动。
2022-10-24 cs.RO math.OC
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
PIP-Loco: A Proprioceptive Infinite Horizon Planning Framework for Quadrupedal Robot Locomotion
Indian Institute of Science(印度科学学院);Robert Bosch Center for Cyber-Physical Systems(罗伯特·博世网络物理系统中心)
针对MPC任务扩展难、无模型RL缺约束处理的问题,提出集成本体感受规划与RL的PIP-Loco框架,结合速度估计器和Dreamer模块,通过协同训练专家策略与内部模型提升鲁棒性,在多地形场景验证效果。
2025-04-15 cs.LG cs.RO
Contact-Implicit Optimization of Locomotion Trajectories for a Quadrupedal Microrobot
Harvard University(哈佛大学);Stanford University(斯坦福大学)
腿式微型机器人的运动轨迹规划是具有挑战性的,因为它们的复杂形态,高频率的被动动力学,和不连续的接触与环境的相互作用。因此,这种研究往往是由耗时的实验方法驱动的。作为一种替代方案,我们提出了一个框架,系统地建模,规划和控制腿microrobots。我们开发了一个1.5克四足微型机器人的三维动力学模型,自由度自由度的数量),类似于较大规模的足式机器人。然后,我们适应最近开发的变分接触隐式轨迹优化方法来产生可行的全身运动计划,这个microrobot,我们证明,这些计划可以跟踪简单的关节空间控制器。我们计划和执行周期性步态在多个步幅频率和各种表面上。这些步态实现了高的每周期速度,包括10.87毫米/周期的最大值,这是15%的速度比以前测量的速度为这个微型机器人。此外,我们计划并执行9.96 mm的垂直跳跃,这是微型机器人质心高度的78%。据我们所知,这是第一个端到端的演示规划和跟踪全身动态运动的毫米级腿微型机器人。
2019-01-25 cs.RO
Online Trajectory Optimization for Dynamic Aerial Motions of a Quadruped Robot
Massachusetts Institute of Technology(麻省理工学院)
这项工作提出了一个两部分的框架,在线规划和执行的动态空中运动的四足机器人。运动规划通过质心动量为基础的非线性优化,是一般足以产生丰富的新的动态运动集的基础上,仅根据用户指定的接触时间表和所需的发射速度的机器人。由于这种非线性优化对于实时滚动时域控制来说是不容易处理的,因此在空中运动的准备中经由非线性优化来规划运动一次,然后使用基于变分的最优控制器来连续跟踪运动,该基于变分的最优控制器对存在于实际硬件中的不确定性(诸如建模误差或干扰)提供鲁棒性。运动规划通常需要0.05-0.15秒,而最佳控制器在500 Hz时找到稳定的反馈输入。在MIT Mini Cheetah上的实验结果表明,该框架可以可靠地产生成功的空中运动,如跳上和跳下平台、旋转、翻转、桶形滚转和跨越障碍物的跳跃。
2021-10-12 cs.RO
ViT-A*: Legged Robot Path Planning using Vision Transformer A*
University College London(伦敦大学学院)
针对四足机器人在复杂环境中的导航问题,提出利用可微分规划器结合视觉Transformer(ViT)进行地图预处理,实现端到端全局路径规划,并在Spot和Go1机器人上验证了其有效性。
2023-10-11 cs.RO