Combining Learning-based Locomotion Policy with Model-based Manipulation for Legged Mobile Manipulators
ETH Zürich（苏黎世联邦理工学院）
深度强化学习为足式机器人在具有挑战性的地形上产生鲁棒的运动策略。迄今为止，很少有研究利用基于模型的方法将这些运动技能与机械手的精确控制相结合。在这里，我们将外部动力学计划纳入基于学习的移动操作策略。我们训练的基础政策，应用随机扳手序列的机器人基地在模拟和噪音扳手序列预测的政策意见。然后，策略学习抵消部分已知的未来扰动。随机扳手序列被替换为通过来自模型预测控制的动力学计划生成的扳手预测，以实现部署。我们显示zero-shot适应在训练过程中看不见的机械手。在硬件上，我们证明了稳定的足式机器人的运动与预测的外部扳手。
2022-01-11 cs.RO
On State Estimation for Legged Locomotion over Soft Terrain
Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）
对于足式机器人来说，在松软地面上的运动仍然是一个具有挑战性的问题。大多数关于足式机器人的状态估计的工作是针对刚性接触设计的，并且没有考虑地形的物理参数。也就是说，这封信回答了以下问题：软地形如何以及为什么会影响足式机器人的状态估计？为此，我们利用了一个状态估计器，融合IMU测量与腿部里程计，设计与刚性接触假设。我们通过HyQ机器人在松软和坚硬地形上小跑的实验验证了状态估计器。我们证明了软地形对足式机器人的状态估计有负面影响，并且与刚性地形相比，软地形的状态估计有明显的漂移。
2021-01-06 cs.RO
Dynamic Quadrupedal Legged and Aerial Locomotion via Structure Repurposing
Department of Electrical and Computer Engineering, Northeastern University（电气与计算机工程系，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）
本文介绍东北大学Husky v.2四足机器人，通过结构复用将姿态操纵与推力矢量引入多模态运动，实现动态地面行走与空中悬停，解决了多模态运行间的需求冲突。
2025-10-10 cs.RO
ValueNetQP: Learned one-step optimal control for legged locomotion
最优控制是产生复杂机器人运动的一种成功方法，特别是对于腿式运动。然而，这些技术对于模型预测控制来说通常太慢而不能实时的运行，或者需要极大地简化动态模型。在这项工作中，我们提出了一种方法来学习预测的梯度和hessian的问题价值函数，使预测控制问题的快速解决方案与一步二次规划。此外，我们的方法是能够满足约束，如摩擦锥和单边约束，这是重要的高动态运动任务。我们证明了我们的方法在模拟和一个真正的四足机器人执行小跑和有界运动的能力。
2022-01-11 cs.RO
A Foot Resistive Force Model for Legged Locomotion on Muddy Terrains
Department of Mechanical and Aerospace Engineering, Rutgers University（罗格斯大学机械与航空航天工程系）；Department of Electrical and Biomedical Engineering, University of Nevada（内华达大学电气与生物医学工程系）
本文提出了一种用于腿部机器人在泥泞地形中运动的阻力模型，通过模拟泥浆的粘弹性、触变性和吸力特性，设计了可变形机械脚，提高了运动效率和能效。
2026-04-13 cs.RO
PPL: Point Cloud Supervised Proprioceptive Locomotion Reinforcement Learning for Legged Robots in Crawl Spaces
Shanghai Jiao Tong University（上海交通大学）；Lenovo Corporation（联想集团）
本研究提出了一种点云监督的强化学习框架，用于提升四足机器人在受限空间中的运动能力，通过高效的点云特征提取和状态估计网络实现更快的训练和更敏捷的穿行性能。
2025-12-04 cs.RO
Learning-based legged locomotion; state of the art and future perspectives
本文回顾了基于学习的腿足运动发展历程，总结了四足机器人运动技能学习方法，并展望了人形机器人双足运动方法的兴起及未来挑战。
2024-11-22 cs.RO
Efficient Path Planning and Tracking for Multi-Modal Legged-Aerial Locomotion Using Integrated Probabilistic Road Maps (PRM) and Reference Governors (RG)
California Institute of Technology（加州理工学院）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Northeastern University（东北大学）
已经有几个成功的生物启发的足式机器人的实现，可以小跑，步行，跳跃健壮，即使在存在重大的意外干扰。尽管取得了这些成就，但多模态腿式系统的实际控制和高级决策算法却被忽视了。在自然界中，鸟类等动物令人印象深刻地展示了多种移动模式，包括腿和空中运动。它们能够在巨大的墙壁、狭小的空间上进行稳健的运动，并且可以从不可预测的情况中恢复，例如突然的阵风或光滑的表面。受这些动物的多功能性和结合腿和空中机动性来适应环境的能力的启发，我们的主要目标是设计和控制足式机器人，在一个平台上集成两种完全不同的运动形式，地面和空中机动性。我们的机器人，赫斯基碳，正在开发集成空中和腿部运动，并转换之间的腿部和空中移动。本研究利用参考调速器（RG）来维持腿式移动的效率，并使用概率路径图（PRM）和3D A* 算法来产生基于腿式移动和空中移动的能量成本的最优路径
2022-05-12 cs.RO cs.SY eess.SY
DRS-LIP: Linear Inverted Pendulum Model for Legged Locomotion on Dynamic Rigid Surfaces
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；NVIDIA Research（英伟达研究）；Princeton University（普林斯顿大学）；Department of Mechanical Engineering, University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校机械工程系）
足式机器人在动态刚性表面上的运动（即，在惯性系中运动的刚性表面）涉及高维、非线性和时变的复杂全阶动力学。为了得到一个易于分析的动力学模型，本研究从理论上扩展了降阶线性倒立摆（LIP）模型，从腿运动在一个固定的表面上的运动的动态刚性表面（DRS）。所得到的模型在本文中被称为DRS-LIP。此外，本研究介绍了一个近似的解析解的建议DRS-LIP，计算效率高，精度高。为了说明分析结果的实际用途，它们被用来开发一个层次规划框架，有效地生成物理上可行的DRS运动轨迹。所提出的理论结果和运动规划的有效性证明了通过模拟和实验上的Laikago四足机器人，走在摇摆跑步机。
2022-01-31 cs.RO
X2-N: A Transformable Wheel-legged Humanoid Robot with Dual-mode Locomotion and Manipulation
Department of Electronic and Computer Engineering, The Hong Kong University of Science and Technology（香港理工大学电子与计算机工程系）；X-lab Department, Agibot Innovation Company（阿吉博创新公司X实验室）
X2-N是一种具备双模运动与操作的高自由度可变形机器人，通过关节重构实现人形与轮腿形态的无缝转换，采用强化学习框架实现混合运动、转换与操作的统一控制。
2026-09-07 cs.RO
Bio-inspired Rhythmic Locomotion in a Six-Legged Robot
International Institute of Information Technology Bangalore（班加罗尔国际信息技术学院）
开发一个六足足式机器人或六足机器人的运动框架是一项复杂的任务，具有广泛的硬件和计算需求。在本文中，我们提出了一个生物启发的框架运动的六足动物。我们的运动模型从蟑螂的结构中汲取灵感，其中枢神经系统相当简单，并导致我们的模型在计算上成本低廉，控制机制更简单。我们考虑的肢体形态为六足动物，相应的中央模式发生器，其四肢，和肢体间的协调需要产生适当的模式，在其四肢。我们还设计了两个实验来验证我们的运动模型。我们的第一个实验模拟了蟑螂和它的捕食者之间的捕食者-猎物动态。我们的第二个实验使用了一个基于强化学习的算法，提出了我们的运动模型的实现。这些实验表明，该模型将有助于实现实际的六足机器人设计。
2021-07-27 cs.RO
LocoVLM: Grounding Vision and Language for Adapting Versatile Legged Locomotion Policies
School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（电气工程学院，韩国科学技术院）
LocoVLM通过整合高层常识推理和视觉语言模型，实现了基于指令的实时腿式运动策略适应，准确率达87%。
2026-02-11 cs.RO
Generating a Terrain-Robustness Benchmark for Legged Locomotion: A Prototype via Terrain Authoring and Active Learning
California Institute of Technology（加州理工学院）；ETH Zurich（苏黎世联邦理工学院）
地形感知运动已经成为腿式机器人领域的一个新兴课题。然而，在仿真中很难生成多样的、具有挑战性的和真实的非结构化地形，这限制了研究人员评估其运动策略的方式。在本文中，我们通过地形创作和主动学习的地形数据集的生成原型，和学习的采样器可以稳定地生成各种高质量的地形。我们期望生成的数据集为腿部运动提供地形鲁棒性基准。数据集、代码实现和一些策略评估在https://bit.ly/3bn4j7f上发布。
2023-03-06 cs.GR cs.LG cs.RO
Addition of a peristaltic wave improves multi-legged locomotion performance on complex terrains
Georgia Institute of Technology（佐治亚理工学院）
针对多足机器人难以翻越与自身高度相当障碍物的问题，本文在双波模板外引入蠕动波，并通过五段绳驱机器人实验证明其可显著提升崎岖地形越障与穿越能力。
2024-10-01 cs.RO
ATRos: Learning Energy-Efficient Agile Locomotion for Wheeled-legged Robots
Shanghai Huawei Technologies Co., Ltd.（上海华为技术有限公司）；College of Future Information Technology, Fudan University（复旦大学未来信息科技学院）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；School of Aeronautic and Astronautics, Zhejiang University（浙江大学航空宇航学院）；School of Electronics and Communication Engineering, Sun Yat-sen University（中山大学电子与通信工程学院）
本文提出ATRos，一种基于强化学习的轮腿机器人混合运动框架，通过预测策略网络与演员-评论家网络协调轮腿同步运动，在无需预定义步态的情况下提升了地形适应性与能效，并在仿真和真实多地形实验中验证了其稳健的泛化能力。
2025-10-11 cs.RO
Learning Agility and Adaptive Legged Locomotion via Curricular Hindsight Reinforcement Learning
Harbin Engineering University（哈尔滨工程大学）
本文提出课程式事后强化学习（CHRL），通过任务难度自动课程策略和适应有腿运动的事后经验回放策略学习端到端跟踪控制器，使四足机器人实现跌倒恢复、高速转向和冲刺等敏捷自适应运动。
2023-10-24 cs.RO
ReCo: Response-Consistent Locomotion with Policy-Aware MPC for Legged Manipulation
National University of Singapore（新加坡国立大学）
ReCo通过响应塑形和闭环响应模型使MPC联合规划运动与手臂动作，在仿真中降低位置和方向误差28.7%和27.4%，并实现真实机载连续腿部操作。
2026-10-02 cs.RO
Learning Multi-Skill Legged Locomotion Using Conditional Adversarial Motion Priors
School of Mechanical Engineering, Zhejiang Sci-Tech University（浙江科技学院机械工程学院）
提出基于条件对抗运动先验的多技能学习框架，使四足机器人从专家演示中高效获取多样化运动技能，并通过技能判别器和条件奖励实现精确重建与平滑切换。
2025-09-26 cs.RO
JEPLO: Joint-Embedding Predictive Learning for LiDAR-Based Legged Locomotion
University of Groningen（格罗宁根大学）；Linköping University（林雪平大学）
JEPLO提出一种基于LiDAR的无建图单阶段学习框架，利用PE-JEPA世界模型和CJTS流程训练运动策略，实现鲁棒的仿真到现实迁移，支持四足机器人穿越多样地形。
2026-09-15 cs.RO
Effective Locomotion at Multiple Stride Frequencies Using Proprioceptive Feedback on a Legged Microrobot
Wyss Institute for Biologically Inspired Engineering（怀斯生物启发工程研究所）
驱动、传感和计算的限制迫使小型足式机器人依赖于仔细调整的、机械介导的腿轨迹来进行有效的运动。然而，制造业的最新进展使得能够开发能够使用多自由度腿轨迹以多个步幅频率操作的小型足式机器人。本体感知和控制是将这些机器人的能力扩展到广泛的操作条件的关键。在这项工作中，我们使用伴随传感压电驱动与计算效率的框架，估计和控制腿轨迹的四足微型机器人。我们展示了在运动过程中在宽范围的步频（10-50 Hz）内的准确位置估计（< 16%的均方根误差）和控制（16%的均方根跟踪误差）。这种能力使得能够探索被设计为减少腿部滑动并增加运动性能的两个生物启发参数腿部轨迹（例如，速度、运输成本等）。使用这种方法，我们展示了高性能的运动在步幅频率（10-30赫兹）的机器人的自然动力学导致开环运动差。此外，我们验证了启发我们轨迹的生物学假设，并确定了高动态运动，低运输成本（3.33）和最小腿部滑动（< 10%）的区域。
2019-06-03 cs.RO
Mixture-of-Experts RL for Fault-Tolerant Legged Locomotion
Dynamic Legged Systems Laboratory, Istituto Italiano di Tecnologia (IIT), Genova, Italy（意大利技术研究院（IIT）动态腿足系统实验室，热那亚，意大利）；Dipartimento di Informatica, Bioingegneria, Robotica e Ingegneria dei Sistemi (DIBRIS), Universita di Genova, Genova, Italy（热那亚大学计算机科学、生物工程、机器人及系统工程系（DIBRIS），热那亚，意大利）
提出一种故障感知模块化控制架构，利用故障诊断信息激活针对不同执行器故障模式的专家策略，在多种故障场景下优于同等规模的单一策略，且适用于计算受限平台。
2026-07-02 cs.RO
Bridging Walking and Slithering -- Stokesian Locomotion
双腿运动和滑行运动都是典型的利用周期性步态--重复的身体形状变化周期，在世界上产生一个净运动。腿部运动可以从分段接触约束的形成和去除的角度来观察。滑行和低雷诺数游泳在力平衡的连续约束下操作，其中耗散消除了累积动量的能力。在这里，我们将讨论如何弥合这些运动域之间的差距，从而，除其他好处外，产生模型的空间腿运动与滑动。连接结构使用“斯托克斯”或“局部连接”模型。
2022-04-12 cs.RO
Effective Viscous Damping Enables Morphological Computation in Legged Locomotion
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
肌肉模型和动物观察表明，物理阻尼有利于稳定。尽管如此，只有少数实现的机械阻尼存在于顺应性机器人腿运动。目前还不清楚如何利用物理阻尼的运动任务，而它的优点是无传感器，自适应力和负功产生执行器是有前途的。在一个简化的数值腿模型中，我们研究了在地面扰动的垂直下落过程中粘性和库仑阻尼的能量耗散。一个平行的弹簧阻尼器在触地和中间站姿之间接合，并且其阻尼器在中间站姿和起飞期间自动脱离。我们的模拟表明，可调和粘性阻尼器是理想的。在硬件方面，我们探索了有效的粘性阻尼和可调节性，并量化了耗散的能量。我们测试了两个机械，腿安装阻尼机制;商业液压阻尼器，和定制的气动阻尼器。气动阻尼器采用滚动膜片与可调孔，最大限度地减少库仑阻尼效应，同时允许可调阻力。实验结果表明，腿安装，液压阻尼器具有最有效的粘性阻尼。与数值模型中阻尼参数的调整不同，调整节流孔设置不会导致每滴耗散能量的实质性变化。因此，我们还强调了在真实的腿部冲击，以评估其有效性的顺应腿运动的物理阻尼器的特征的重要性。
2020-06-06 cs.RO
DiffuseLoco: Real-Time Legged Locomotion Control with Diffusion from Offline Datasets
UC Berkeley（加州大学伯克利分校）；Simon Fraser University（西蒙菲莎大学）
DiffuseLoco提出利用扩散模型从离线多模态数据集训练多技能腿式运动策略，通过滚动时域控制和延迟输入实现实时控制、零样本迁移与边缘部署，在真实四足机器人上优于强化学习和行为克隆基线。
2024-04-30 cs.RO
Curve Tracking Control for Legged Locomotion in Horizontal Plane
本文推导了一种混合反馈控制律，使腿式运动员的质心在水平面内沿曲线运动。控制律使跑步者能够改变其腿的位置和弹性，以沿期望的方向移动。沿着曲线路径的稳定运动是利用曲率、轴承和转轮与曲线之间的相对距离作为反馈来实现的。腿部参数上的约束确定可以遵循的曲线类。我们还得到了一个最优控制法，稳定的方向的跑步者的身体相对于跑步者的质心的速度。
2007-01-06 cs.RO
Manipulator as a Tail: Promoting Dynamic Stability for Legged Locomotion
University of California, Berkeley（加州大学伯克利分校）
针对腿式机器人机械臂在运动中的负担问题，提出受神经生理学启发的增量训练策略，利用机械臂作为尾巴提升高速转向和抗扰动的动态稳定性，显著降低失败率。
2024-07-24 cs.RO
A Legged Soft Robot Platform for Dynamic Locomotion
Columbia University（哥伦比亚大学）
本文提出一种开源无绳四足软体机器人平台，结合柔性3D打印结构与实时软体仿真调优步态，实现0.9米/秒的高速动态运动。
2021-03-26 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
Multi-legged matter transport: a framework for locomotion on noisy landscapes
Georgia Institute of Technology（佐治亚理工学院）
借鉴信息传输原理，提出多足物质输运框架，证明串联腿式机器人的空间冗余可在噪声崎岖地形上实现无需感知控制的可靠运动，并展望结合步态编码与反馈控制实现敏捷运动。
2023-05-08 cs.RO physics.app-ph
Impact Mitigation for Dynamic Legged Robots with Steel Wire Transmission Using Nonlinear Active Compliance Control
Space Control and Inertial Technology Research Center（空间控制与惯性技术研究中心）；Harbin Institute of Technology（哈尔滨工业大学）
缓冲冲击对于足式机器人的稳定运动是至关重要的，特别是在高速动态运动中。针对基于钢丝绳传动的足式机器人，提出了一种包含非线性主动柔顺控制和主动阻抗控制的腿运动系统。所开发的控制系统能够实现高速动态运动，具有出色的冲击缓解和腿部位置跟踪性能，其中应用了三种策略。a）根据电机腿的线性模型，结合库仑摩擦和粘性摩擦信息，设计前馈控制器。b）基于钢丝传输模型的补偿保证了理想的虚拟弹簧柔度特性。c）非线性主动柔顺控制和主动阻抗控制确保比线性方案更好的冲击缓解性能，并保证位置跟踪性能。该控制系统在SCIT Dog机器人上进行了实验验证，实验结果表明，该系统在不使用被动弹簧机构的情况下，具有理想的高速动态运动冲击减缓能力。
2021-08-03 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
A Compact Variable Stiffness Actuator for Agile Legged Locomotion
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；University of Liverpool（利物浦大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出一种专为腿式机器人设计的紧凑轻量型变长度板簧执行器（VLLSA），通过改进板簧机制结构实现宽范围、高速度、低能耗的刚度调节与精确建模，硬件跳跃实验验证了其优势。
2024-07-16 cs.RO
Simulator Adaptation for Sim-to-Real Learning of Legged Locomotion via Proprioceptive Distribution Matching
Collaborative Robotics and Intelligent Systems Institute, Oregon State University（俄勒冈州立大学协作机器人与智能系统研究所）
本文提出通过本体分布匹配来适应仿真器，以提高仿真到现实的腿足运动学习效果，通过参数识别、动作-delta模型和残差执行器模型进行仿真器动态调整，实验证明在少于五分钟的硬件数据下显著减少漂移。
2026-04-13 cs.RO
A Reconfigured Wheel-Legged Robot for Enhanced Steering and Adaptability
Robotics and Autonomous Systems Thrust, The Hong Kong University of Science and Technology (Guangzhou)（机器人与自主系统方向，香港科技大学（广州））
提出一种名为FLORES的新型轮腿机器人，通过将前腿的髋关节横滚自由度替换为偏航自由度，并设计定制强化学习控制器，实现了高效转向和多地形适应。
2026-04-26 cs.RO
Dynamic Adaptive Legged Locomotion Policy via Decoupling Reaction Force Control and Gait Control
Machine Intelligence Lab (MiLAB), School of Engineering, Westlake University, Hangzhou 310030, China（西溪大学工程学院机器智能实验室（MiLAB），杭州310030，中国）；Nanjing University, Suzhou, 215163, China（南京大学，苏州，215163，中国）
针对强化学习足式运动在分布外条件及仿真到现实差距下性能下降的问题，提出解耦支撑腿与摆动腿控制的框架以实现快速在线适应，实验证明其有效应对多种扰动与负载。
2025-09-17 cs.RO
Versatile Telescopic-Wheeled-Legged Locomotion of Tachyon 3 via Full-Centroidal Nonlinear Model Predictive Control
Sony Group Corporation（索尼集团公司）；Sony Global Manufacturing & Operations Corporation（索尼全球制造与运营公司）
针对伸缩式轮腿机器人Tachyon 3的硬件结构控制难题，提出带专用约束的全质心NMPC及含内部状态积分器的控制流水线，经仿真与硬件实验验证，可在严苛约束下实现平滑动态运动生成。
2023-12-14 cs.RO
Invariant Filtering for Legged Humanoid Locomotion on Dynamic Rigid Surfaces
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Purdue University（普渡大学）；University of Rhode Island（罗德岛大学）
动态刚性表面（DRS）上的腿运动的状态估计，动态刚性表面是在世界坐标系中移动的刚性表面（例如，船舶、飞机和火车），仍然是一个未被探索的问题。本文介绍了一种不变扩展卡尔曼滤波器，该滤波器通过使用足式机器人的常见传感器（例如，惯性测量单元（IMU）、关节编码器和RDB-D相机）。该滤波器的一个关键特征在于，它明确地解决了非静止的表面-脚接触点和混合机器人的行为。另一个关键特征是，在没有IMU偏差的情况下，滤波器满足吸引群仿射和不变观测条件，因此对于确定性连续相位可证明收敛。可观测性分析揭示DRS运动对状态可观测性的影响，并检查的混合，确定性滤波器系统的可观测状态变量的收敛性。数字人形机器人在俯仰跑步机上行走的实验验证了该滤波器在大估计误差和适度DRS运动下的有效性。实验的视频可以在https://youtu.be/ScQIBFUSKzo上找到。
2022-05-16 cs.RO
Agile legged locomotion in reconfigurable modular robots
本文提出了一种可重构模块化机器人系统，通过自主模块化腿部实现快速修复和重组，以适应动态环境并提高机器人灵活性。
2026-02-27 cs.RO
Oncilla robot: a versatile open-source quadruped research robot with compliant pantograph legs
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Maastricht University（马斯特里赫特大学）；Ghent University（根特大学）；Bielefeld University（比勒费尔德大学）
我们提出了Oncilla机器人，一种新型的移动，四足步行机。这只大猫大小，5.1机器人是一种最近，生物启发足式机器人类设计与无模型运动控制的能力。动物在崎岖地形中的腿运动显然是由传感器反馈系统塑造的。Oncilla机器人的结果表明，在某种程度上没有感觉信号的情况下，敏捷和灵活的运动是可能的，并且当添加反馈控制时，跟踪变得鲁棒（Ajaoolleian 2015）。通过结合来自动物的机械和控制蓝图，并通过观察由此产生的机器人运动特性，我们的目标是了解单个组件的贡献。足式机器人具有广泛的机械和控制设计参数空间，并且作为研究生物力学和腿运动控制原理的研究工具具有独特的潜力。但硬件和控制器设计可能是学术研究的一个陡峭的初始障碍。为了方便足式机器人的启动和开发，Oncilla-robot的蓝图可以通过开源获得。[...]
2018-06-16 cs.RO
Autonomous Locomotion Mode Transition in Quadruped Track-Legged Robots: A Simulation-Based Analysis for Step Negotiation
University of Cambridge（剑桥大学）；ClearPath AI
本文提出了一种用于四足混合机器人自主切换运动模式的方法，特别是在跨越不同高度台阶时，通过能量效率评估机制实现平稳过渡。
2024-04-02 cs.RO cs.SY eess.SY
Failure Mechanisms and Risk Estimation for Legged Robot Locomotion on Granular Slopes
研究四足机器人在颗粒斜坡上的运动失效机制，通过实验建立机器人-地形交互模型，预测锚定时机和步长，揭示斜坡导致性能下降的主要因素是延迟锚定和增加后滑，从而构建失效相图以量化风险。
2026-04-02 cs.RO
Multi-Loco: Unifying Multi-Embodiment Legged Locomotion via Reinforcement Learning Augmented Diffusion
Southern University of Science and Technology, China（南方科技大学）；University of Notre Dame, United States（Notre Dame 大学）；Zhejiang University-University of Illinois Urbana-Champaign Institute, China（浙江大学-伊利诺伊大学厄巴纳-香槟分校联合研究所）；LimX Dynamics, Shenzhen, China（LimX 动力学（深圳））
针对不同形态腿式机器人运动策略难泛化的问题，提出结合形态无关扩散模型与RL优化残差策略的Multi-Loco框架，在仿真和真机实验中较标准PPO框架平均回报提升10.35%，验证了跨具身数据与复合生成架构的优势。
2025-06-13 cs.RO
RL-Augmented MPC for Non-Gaited Legged and Hybrid Locomotion
Humanoids and Human-Centred Mechatronics (HHCM) lab, Istituto Italiano di Tecnologia (IIT)（人机协同机电一体化实验室，意大利技术研究院）
本文提出一种结合强化学习和模型预测控制的分层架构，通过模拟中学习无环步态实现接触时间的卸载，验证了在不同机器人平台上的有效性及非平坦地形的扩展性。
2026-03-11 cs.RO
Modeling multi-legged robot locomotion with slipping and its experimental validation
University of Michigan（密歇根大学）；XPENG Robotics（小鹏机器人）
针对多足机器人滑动运动建模困难的问题，提出一种基于运动学特性和摩擦定律假设的算法，可准确预测六足机器人的足部接触力与机体速度，并实现对大量滑动腿运动计划的快速仿真。
2024-01-03 cs.RO
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
Polytopic Planar Region Characterization of Rough Terrains for Legged Locomotion
Southern University of Science and Technology（南方科技大学）
本文研究了从深度相机读数构造平面区域的多面体表示的问题。该问题对于复杂环境下的地形测绘具有重要意义，在步行运动中具有很大的应用潜力。为了解决多面体平面区域表征问题，我们提出了一个两阶段的解决方案。在第一阶段，嵌入在深度图像序列中的平面区域首先被单独提取，然后被合并以建立仅包含所选帧中的平面区域的地形图。为了简化适用于足式机器人的立足点规划的平面区域的表示，我们进一步近似提取的平面区域通过低维多面体在第二阶段。与多面体表示，所提出的方法实现了准确性和简单性之间的很大平衡。RGB-D相机的实验验证，以证明所提出的方案的性能。所提出的计划成功地通过多面体的平面区域的特点，具有可接受的精度。更重要的是，整个感知方案的运行时间小于10 ms（即，> 100 Hz），这有力地说明了本文提出的方法的优点。
2022-07-07 cs.RO
RAMP: Reaction-Aware Motion Planning of Multi-Legged Robots for Locomotion in Microgravity
Tohoku University（东北大学）
微重力下的机器人机动性对于扩大人类对外层空间的利用和探索是必要的。生物启发的多腿足式机器人是安全和精确运动的一种可能的解决方案。然而，在微重力下的机器人的动态运动可能会导致故障，由于过度的运动反应所造成的夹持器分离。我们提出了一种新的反应感知运动规划（RAMP），以提高运动的安全性，在微重力环境下，通过减少机器人的动量变化，降低失去与地面接触的风险。RAMP通过低反作用力摆动轨迹（LRECT）最大限度地减少摆动动量，同时将此动量分配到整个身体，确保支撑夹持器的零速度并最大限度地减少运动反作用力。我们验证了所提出的方法与动态模拟表明RAMP的能力，以产生一个安全的运动，而不分离的支持抓手，导致机器人到达其指定的位置。我们在使用空气悬浮系统的实验中进一步验证了RAMP，证明反作用力显着降低，并提高了微重力下的移动性。
2023-01-19 cs.RO
Rolling in the Deep -- Hybrid Locomotion for Wheeled-Legged Robots using Online Trajectory Optimization
ETH Zürich（苏黎世联邦理工学院）；Delft University of Technology（代尔夫特理工大学）；Boston Dynamics（波士顿动力公司）
轮式足式机器人具有高度敏捷和多功能运动的潜力。腿和轮子的组合可能是任何需要在具有挑战性的地形上快速和长距离移动技能的现实世界应用的解决方案。在本文中，我们提出了一个在线轨迹优化框架轮式四足机器人能够执行混合步行驱动运动策略。通过将优化问题分解为轮和基座轨迹规划，高维轮足式机器人的运动规划变得更加易于处理，可以以模型预测控制的方式实时在线求解，并且对于不可预测的干扰变得鲁棒。参考运动由分层全身控制器跟踪，该控制器向机器人发送扭矩命令。我们的方法是验证四足机器人与非转向轮连接到它的腿。该机器人执行混合运动的各种步态序列在粗糙的地形。此外，我们在美国国防高级研究计划局（DARPA）地下挑战赛中验证了机器人平台，机器人在那里快速绘制地图，导航和探索动态地下环境。
2020-02-06 cs.RO cs.SY eess.SY
Real-time Multi-Plane Segmentation Based on GPU Accelerated High-Resolution 3D Voxel Mapping for Legged Robot Locomotion
sony group corporation（索尼集团公司）
针对足式机器人运动场景下现有在线平面建图精度与效率难平衡的问题，提出结合顶点连通分量标记、随机采样一致性平面检测与凸包的GPU加速体素地图多平面分割方法，实现0.01米分辨率下超30Hz的实时分割，经仿真与实体平台验证可提升运动稳健性。
2025-10-02 cs.RO
Discrete-Time Hybrid Automata Learning: Legged Locomotion Meets Skateboarding
University of Michigan（密歇根大学）；Southern University of Science and Technology（南方科技大学）
本文提出DHAL框架，通过结合强化学习、beta策略分布和多评论家架构，在无需轨迹分割或事件函数学习的情况下识别并执行混合动力系统的模式切换，并在四足机器人滑板任务中验证了其鲁棒性能。
2025-04-06 cs.RO
Thruster-assisted center manifold shaping in bipedal legged locomotion
Northeastern University（东北大学）
本文的工作旨在为足式机器人的设计提供参考。我们的长期目标是开发能够通过协同利用腿和推进器来应对非结构化环境（包括陆地和空中）的机器人。这些机器人可用于广泛的应用，包括搜索和救援行动、太空探索、住宅空间的自动包裹处理和数字农业等。在所有这些例子中，推进器辅助移动的独特能力大大拓宽了这些系统的运动设计可能性。为了证明推进器在双足运动步态的鲁棒化和效率方面的有效性，这项工作探讨了它们对步态极限环的影响，并提出了基于塑造这些具有强叶状中心流形的新设计范例。单向接触力的可行性条件解决的最优控制计划。
2020-06-06 cs.RO cs.SY eess.SY
CTS: Concurrent Teacher-Student Reinforcement Learning for Legged Locomotion
School of System Design and Intelligent Manufacturing (SDIM), Southern University of Science and Technology（南方科技大学系统设计与智能制造学院）；LimX Dynamics（灵蜥动力）；Zhejiang University-University of Illinois Urbana-Champaign Institute (ZJUI)（浙江大学-伊利诺伊大学厄巴纳-香槟分校学院）
本文提出并行师生强化学习架构CTS，通过改进PPO同时训练教师与学生策略，在不平坦地形腿足运动中相比两阶段师生方法将平均速度跟踪误差降低最多20%，并在四足和双足机器人上验证了鲁棒敏捷的运动能力。
2024-09-01 cs.RO
Multi-Modal Legged Locomotion Framework with Automated Residual Reinforcement Learning
ShanghaiTech University（上海科技大学）
虽然四足机器人通常具有良好的稳定性和负载能力，但双足机器人对不同的任务和环境提供了更高水平的灵活性/适应性。多模态足式机器人可以两全其美。在本文中，我们提出了一个多模态运动框架，该框架由手工制作的过渡运动和基于学习的双足控制器组成-通过一种称为自动残差强化学习的新算法学习。该框架旨在赋予任意四足机器人两足行走的能力。特别是，我们1）设计了一个额外的支撑结构的四足机器人和顺序多模态转换策略; 2）提出了一种新的类强化学习算法的双足控制和评估其性能在仿真和现实世界。实验结果表明，我们提出的算法具有最好的性能在仿真和保持良好的性能在现实世界的机器人。总的来说，我们的多模态机器人可以成功地在四足和四足之间切换，并在两种模式下行走。实验视频和代码可在https://chenaah.github.io/multimodal/上获得。
2022-02-24 cs.RO
Design and Characterization of 3D Printed, Open-Source Actuators for Legged Locomotion
University of Michigan（密歇根大学）
令人印象深刻的动物运动能力介导的骨骼形态和肌肉特性的共同进化。足式机器人的性能也可能受益于致动器和腿形态的共同优化。然而，开发用于足式机器人的定制致动器通常是昂贵且耗时的，这阻碍了机器人专家追求由应用特定的致动器优化所提供的性能增益。本文介绍了两个准直接驱动致动器的开源设计，其性能适用于8- 15公斤的机器人，完全由现成的3D打印组件制成，每个组件不到200美元。每个致动器的机械，电气和热性能的特点和基准数据进行比较。受到420 k步的步态数据的致动器经历了只有2%的效率降低和26 mrad的反冲增长，证明了严格和持续的研究应用的可行性。我们提出了一种热解决方案，几乎使我们的塑料致动器设计的热驱动扭矩限制增加了一倍。性能结果与传统的金属执行器用于高速足式机器人相同规模的。这些3D打印设计展示了一种设计和表征低成本、高度可定制和高度可复制的致动器的方法，使致动器设计领域民主化，并实现致动器和机器人腿的协同设计和优化。
2022-02-24 cs.RO
