Sim-to-Real Transfer of Compliant Bipedal Locomotion on Torque Sensor-Less Gear-Driven Humanoid
Preferred Networks, Inc.（首选网络公司）；University of Tsukuba（筑波大学）
针对高减速比齿轮与稳定双足运动导致的仿真到现实实差距，提出新齿轮仿真模型及可利用失败尝试的系统辨识方法，并在 ROBOTIS-OP3 上验证其无传感器抗扰与不平地行走能力。
2023-12-08 cs.RO
Variable Inertia Model Predictive Control for Fast Bipedal Maneuvers
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；North Carolina State University（北卡罗来纳州立大学）
针对双足机器人降阶模型与全身模型的偏差问题，提出融合可变质心惯性网络的MPC控制框架，结合接触力规划与全身控制器，在DRACO 3仿真中实现了更高速度的稳定行走。
2024-09-14 cs.RO
DeepWalk: Omnidirectional Bipedal Gait by Deep Reinforcement Learning
University of Bonn（波恩大学）
双足行走是机器人技术中最困难但最令人兴奋的挑战之一。这些困难来自于高维动力学的复杂性、传感和致动限制以及实时和计算约束。深度强化学习（DRL）通过以最少的工艺充分利用机器人动力学来解决这些问题。在本文中，我们提出了一种新型的DRL方法，使智能体能够学习人形（两足）机器人的全方位运动。值得注意的是，运动行为是由一个单一的控制策略（一个单一的神经网络）。我们通过引入一种新的课程学习方法来实现这一目标，该方法通过安排目标速度来逐渐增加任务难度。此外，我们的方法不需要参考运动，方便其应用到不同的运动学机器人，并降低了整体的复杂性。最后，不同的策略，仿真到现实迁移，使我们能够转移到一个真正的人形机器人的学习政策。
2021-06-01 cs.RO
A Fast, Autonomous, Bipedal Walking Behavior over Rapid Regions
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）
在试图建立人形机器人，执行有用的任务，在世界上为人类，我们解决的问题，自主运动。人形机器人规划和控制算法在崎岖地形上行走变得越来越有能力。与此同时，商用深度相机变得越来越精确，GPU计算已成为人工智能研究的主要工具。在本文中，我们提出了一个新构建的行为控制系统，实现快速，自主，双足步行，没有停顿或审议。我们实现这一点，使用最近发表的快速平面区域感知算法，基于高度图的身体路径规划器，A* 脚步规划器，和基于动量的步行控制器。我们把这些元素放在一起，形成一个行为控制系统的现代软件开发实践和仿真工具的支持。
2022-07-17 cs.RO
Optimal Motion Generation of the Bipedal Under-Actuated Planar Robot for Stair Climbing
Sharif University of Technology（谢里夫理工大学）
人形机器人在当今世界的重要性是不可否认的，人形机器人最重要的特点之一就是能够在楼梯等其他机器人无法轻易跨越的环境中进行机动。一个合适的算法来生成路径的双足机器人爬是非常重要的。本文提出了一种基于优化的方法来产生一个最佳的楼梯欠驱动双足机器人没有踝关节驱动器。生成的路径是基于问题的零动态和非零动态的，并且根据问题中零动态约束的满足情况，跟踪路径是可能的，换句话说，问题是动态可行的。问题中使用的优化方法是基于梯度的方法，该方法具有用于计算处理的适当数量的函数评估。这种方法也可以用来爬楼梯。
2022-12-31 cs.RO
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
Learning Bipedal Walking for Humanoids with Current Feedback
CNRS-AIST JRL (Joint Robotics Laboratory) IRL（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国际联合实验室）；National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所）；University of Tsukuba（筑波大学）；Stanford University（斯坦福大学）
本文针对人形机器人执行器力矩跟踪不准导致的sim2real差距，提出在仿真中人为劣化力矩跟踪并利用真实机器人电流反馈训练端到端策略，在HRP-5P上实现零样本双足行走，且前馈架构加动力学随机化即可达到鲁棒效果。
2023-08-07 cs.LG 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
Bioinspired Bipedal Locomotion Control for Humanoid Robotics Based on EACO
Hefei University of Technology（合肥工业大学）；Changzhou Inst of Tech（常州工学院）
为了构造一个能像人类或其他有腿动物一样高效稳定行走的机器人，我们提出了一种带有遗传算子和交叉算子的改进的精英变异蚁群优化算法（EACO），并将其实时应用于类人机器人或其他足式机器人的设计.本文提出了一种基于马尔可夫链的EACO算法，通过估计期望收敛速度，提高算法的全局搜索能力和收敛速度，并应用于人形机器人的实时控制。此外，我们把重点放在广泛的问题，从蚁群算法，实数编码的遗传算法，遗传算法与神经网络~（NNs），粒子群优化~（PSO）的复杂机器人系统，包括步态综合，动态建模的参数化轨迹和步态优化的仿人机器人的EACO算法。实验结果表明，该方法能够发现早熟收敛概率，成功地解决了固有的停滞，并促进基于EACO的仿人机器人系统的收敛速度，并证明了我们的策略解决复杂的优化任务的适用性和有效性。我们发现可靠和快速行走步态的速度高达0.47米/秒，使用EACO优化策略。这些发现对于理解和解决EACO的固有停滞和收敛速度差具有重要意义，并为仿人机器人的遗传结构和控制优化提供了新的见解。
2020-10-09 cs.AI cs.NE cs.RO
SteadyTray: Learning Object Balancing Tasks in Humanoid Tray Transport via Residual Reinforcement Learning
UC San Diego（UC圣迭戈大学）
SteadyTray通过残差强化学习实现人形机器人餐盘运输中的物体平衡任务，结合稳健的运动策略与动态残差模块，显著提升步态平滑度和姿态准确性，实现高鲁棒性的零样本泛化。
2026-03-11 cs.RO
Robust Humanoid Walking on Compliant and Uneven Terrain with Deep Reinforcement Learning
CNRS-AIST JRL (Joint Robotics Laboratory) IRL, National Institute of Advanced Industrial Science and Technology (AIST), Japan（日本国家先进工业科学与技术研究院（AIST））；University of Tsukuba（筑波大学）；Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
本文针对仿人机器人在柔性不平地形的鲁棒行走问题，提出基于模拟到现实的深度强化学习方法，通过随机地形训练课程和本体感受反馈实现真实机器人鲁棒行走，并提出可变步频控制策略提升鲁棒性。
2025-04-18 cs.RO
Model-Informed Safe Reinforcement Learning for Bipedal Locomotion via Step-to-Step Prediction
The Ohio State University（俄亥俄州立大学）
提出基于ALIP模板和DECBF安全证书的模型信息强化学习框架，通过训练整形和运行时动作过滤实现双足运动安全，实验表明减少安全违规但存在安全跟踪权衡。
2026-09-29 cs.RO
Bipedal Robot Walking Control Using Human Whole-Body Dynamic Telelocomotion
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
对于在搜索和救援等要求严格的情况下部署的人形机器人来说，需要高度智能的决策和熟练的感觉运动技能。一个很有前途的解决方案是通过遥操作将机器人和人类连接起来，从而利用人类的能力。为了创建无缝操作，本文提出了一个动态的telelocomotion框架，该框架将人类飞行员的步态与双足机器人的行走相结合。首先，我们介绍了一种方法来产生一个虚拟人步行模型从人类飞行员的步进行为，作为参考的机器人行走。第二，通过向人类飞行员和机器人施加力来同步行走参考和机器人行走的动力学，以实现两个系统之间的动力学相似性。这使得人类飞行员能够持续感知并消除行走参考和机器人之间的任何干扰。一个一致的步骤放置策略的机器人推导出保持动态相似性，通过步骤过渡。使用我们的人机界面，我们证明了人类飞行员可以实现稳定和同步的遥操作的模拟机器人，通过步进到位，步行和干扰抑制实验。这项工作为将人类的智能和反应转移到人形机器人上迈出了基本的一步。
2022-09-14 cs.RO
Exploring Kinodynamic Fabrics for Reactive Whole-Body Control of Underactuated Humanoid Robots
University of Michigan（密歇根大学）
针对双足人形机器人需同时执行多任务并实时响应干扰的需求，提出Kinodynamic Fabrics方法，通过受力谱半喷雾规范优先级任务并实时求解关节加速度，实验表明其在运行时间和反应性上优于现有基于二次规划的全身控制器，且已开源。
2023-08-23 cs.RO
Provably Stabilizing Global-Position Tracking Control for Hybrid Models of Multi-Domain Bipedal Walking via Multiple Lyapunov Analysis
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Massachusetts Institute of Technology（麻省理工学院）；Purdue University（普渡大学）
针对双足机器人多域行走的全局位置跟踪控制难题，提出基于时间的非线性控制律，通过多李亚普诺夫分析证明稳定性，仿真验证了其在多场景下的良好精度与收敛性。
2023-04-27 cs.RO
Terrain-Aware Model Predictive Control of Heterogeneous Bipedal and Aerial Robot Coordination for Search and Rescue Tasks
Georgia Institute of Technology（佐治亚理工学院）；College of Engineering and Petroleum, Kuwait University（科威特大学工程与石油学院）
本研究提出了一种面向搜救任务的异构机器人协同规划框架，结合高斯过程学习的地形感知MPC为双足和空中机器人生成安全路径并估计目标位置，利用scLTL和基于共识的算法进行任务分配，仿真验证了其有效性。
2024-09-23 cs.RO
Whole-Body Dynamic Telelocomotion: A Step-to-Step Dynamics Approach to Human Walking Reference Generation
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Notre Dame（圣母大学）
该研究针对人形机器人遥操作中的动态同步与鲁棒性问题，提出将双足行走特性嵌入虚拟界面并集成反应式控制器的全身动态遥操作行走方法，经仿真验证可实现人机动态同步及多种行走控制效果。
2023-07-21 cs.RO
Learning Control Policies for Fall prevention and safety in bipedal locomotion
Stanford University（斯坦福大学）；Georgia Institute of Technology（佐治亚理工学院）
从意外的外部干扰中恢复的能力是双足运动的基本运动技能。有效的应对措施不仅包括恢复平衡和保持稳定的能力，还包括在身体无法恢复平衡时以安全的方式摔倒的能力。对于与双足运动相关联的机器人，例如人形机器人和帮助人类行走的辅助机器人设备，设计能够提供这种稳定性和安全性的控制器可以防止对机器人的损坏或防止与伤害相关的医疗费用。这是一项具有挑战性的任务，因为它涉及到为具有接触的高维、非线性和欠驱动系统生成高度动态运动。尽管在使用基于模型的方法和优化方法方面取得了先前的进步，但诸如需要广泛的领域知识、相对较大的计算时间和对动态变化的有限鲁棒性等挑战仍然使其成为一个开放的问题。在这篇论文中，为了解决这些问题，我们开发了基于学习的算法，能够合成两种不同类型的机器人的推恢复控制策略：人形机器人和辅助机器人设备，协助双足运动。我们的工作可以分为两个密切相关的方向：1）学习安全跌倒和跌倒预防策略的人形机器人和2）学习跌倒预防策略的人类使用机器人辅助设备。为了实现这一目标，我们引入了一组深度强化学习（DRL）算法来学习控制策略，从而在使用这些机器人时提高安全性。
2022-01-04 cs.AI cs.RO
Learning Bipedal Walking On Planned Footsteps For Humanoid Robots
National Institute of Advanced Industrial Science and Technology (AIST)（产业技术综合研究所）；University of Tsukuba（筑波大学）
基于深度强化学习（RL）的足式机器人控制器已经证明了在几个机器人平台的不同环境中行走的令人印象深刻的鲁棒性。为了使RL策略在现实世界中的人形机器人的应用，关键是要建立一个系统，可以实现鲁棒的行走在任何方向上，在2D和3D地形，并可由用户命令控制。在本文中，我们通过学习一个策略来遵循给定的步骤序列来解决这个问题。该策略是在一组程序生成的步骤序列（也称为足迹计划）的帮助下训练的。我们表明，简单地将即将到来的2个步骤输入到策略中就足以实现全向行走、原地转弯、站立和爬楼梯。我们的方法采用课程学习的地形的复杂性，并避免了需要参考运动或预先训练的权重。我们展示了我们提出的方法的应用，学习RL政策的2个新的机器人平台-HRP 5 P和JVRC-1 -在MuJoCo仿真环境。培训和评估守则可在线查阅。
2022-10-31 cs.AI cs.LG cs.RO
Reactive Stepping for Humanoid Robots using Reinforcement Learning: Application to Standing Push Recovery on the Exoskeleton Atalante
Wandercraft；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Université Paris-Dauphine, PSL（巴黎多芬大学，巴黎文理研究大学）
最先进的强化学习现在能够在模拟中学习双足机器人的多功能运动，平衡和推动恢复能力。然而，现实的差距大多被忽视，模拟结果很难转移到真正的硬件。要么是由于物理学过于简化和忽略了硬件限制而在实践中不成功，要么是规则性得不到保证，可能会发生意外的危险运动。本文提出了一种强化学习框架，能够学习强大的站立推恢复的双足机器人，顺利地转移到现实中，只提供瞬时本体感受的意见。通过结合初始终止条件和策略平滑条件，我们实现了稳定的学习，仿真到现实迁移和安全使用的策略没有记忆，也没有显式的历史。然后，奖励工程被用来提供如何保持平衡的见解。我们展示了它的性能在现实中的下肢医疗外骨骼Atalante。
2022-07-31 cs.RO
TOLEBI: Learning Fault-Tolerant Bipedal Locomotion via Online Status Estimation and Fallibility Rewards
Department of Intelligence and Information, Graduate School of Convergence Science and Technology, Seoul National University（智能信息系，融合科学与技术研究生院，首尔国立大学）；Artificial Intelligence Institute (AIIS), Seoul National University（人工智能研究院（AIIS），首尔国立大学）；Advanced Institutes of Convergence Technology (AICT), Suwon（融合技术高级研究院（AICT），Suwon）
TOLEBI通过在线状态估计和易错奖励，首次提出基于学习的双足运动容错框架，提升机器人在现实环境中的运动稳定性与容错能力。
2026-03-04 cs.RO
TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning
Zhejiang University（浙江大学）；Westlake University（西湖大学）；Shanghai Jiao Tong University（上海交通大学）；Shanghai Innovation Institute（上海创新研究院）
TrajBooster通过利用轮式人形数据提升双足VLA性能，采用末端执行器轨迹作为通用接口，通过仿真重定向和预训练实现高效任务执行，减少对同构数据的依赖。
2026-03-19 cs.CV cs.RO
A Robustness Analysis of Inverse Optimal Control of Bipedal Walking
The Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Google X（谷歌X）；The University of Southern California（南加利福尼亚大学）；New York University（纽约大学）
成本函数有潜力提供紧凑和可理解的运动概括。逆最优控制（IOC）的目标是分析相对于未知成本函数被假设为最优的观察行为，并推断该成本函数。在这里，我们开发了一种方法来表征成本函数的腿运动，与简单的模型表示复杂的人形行为的目标。为了测试这种方法，我们模拟步行步态的一个简单的5链接平面步行模型，优化已知的成本函数，并评估我们的IOC方法恢复它们的能力。特别地，IOC方法使用迭代轨迹优化过程来推断与用于生成单个经证明的最优试验的成本函数权重一致的成本函数权重。我们还探讨了敏感性的IOC传感器噪声在观察到的轨迹，不完善的知识的模型或任务，以及不确定性的成本函数的组成部分。通过适当的建模，这些方法可以帮助从人类数据中推断成本函数，从而产生用于人形机器人控制器的类人运动的紧凑且可概括的表示，以及提供用于实验探索人类偏好的新工具。
2021-04-25 cs.RO
RL-augmented Adaptive Model Predictive Control for Bipedal Locomotion over Challenging Terrain
Georgia Institute of Technology（佐治亚理工学院）；Northeastern University（东北大学）
针对复杂地形双足运动中MPC地形建模难、RL无约束保证的问题，提出RL增强型MPC框架，参数化MPC关键组件，仿真验证其适应性和鲁棒性优于基线MPC与RL。
2025-09-22 cs.RO
Humanoid Robot Co-Design: Coupling Hardware Design with Gait Generation via Hybrid Zero Dynamics
California Institute of Technology（加州理工学院）
针对双足机器人设计与控制器耦合、迭代评估成本高的问题，本文提出结合执行器与设计虚拟约束的HZD优化协同设计框架，可同步确定硬件参数与稳定步态，经ADAM机器人验证可实现高能效双足运动。
2023-08-21 cs.RO math.OC
Bipedal Walking on Constrained Footholds with MPC Footstep Control
University of Pennsylvania（宾夕法尼亚大学）
提出一种基于MIQP的模型预测步态控制器，联合优化落脚面选择、落脚位置、踝关节扭矩和质心轨迹，使欠驱动双足机器人Cassie能在约束地形上保持平衡行走。
2023-09-14 cs.RO
Moving past point-contacts: Extending the ALIP model to humanoids with non-trivial feet using hierarchical, full-body momentum control
The Ohio State University（俄亥俄州立大学）；Sarcos Technology and Robotics Corp.（萨科斯技术与机器人公司）
本文提出结合任务空间全身动量控制器的 ALIP 规划框架，突破点接触与质心角动量可忽略假设，并在 Sarcos Guardian XO 仿真中验证其稳定双足行走能力。
2024-08-09 cs.RO cs.SY eess.SY
Heuristic Step Planning for Learning Dynamic Bipedal Locomotion: A Comparative Study of Model-Based and Model-Free Approaches
Moscow Institute of Physics and Technology（莫斯科物理技术学院）
本文提出一种基于启发式步态规划的学习方法，通过比较模型驱动和模型无关方法，展示了在动态双足运动中实现稳定行走的可行性。
2025-11-27 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
I-CTRL: Imitation to Control Humanoid Robots Through Constrained Reinforcement Learning
Technische Universität Wien (TU Wien)（维也纳技术大学）；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）
针对人形机器人高保真动作难以物理落地的问题，本文提出I-CTRL框架，用有界残差强化学习约束非物理重定向动作，并以自动优先级调度器训练统一策略，实现跨五种机器人的高质量物理模仿。
2025-02-17 cs.AI cs.RO
A Gait Driven Reinforcement Learning Framework for Humanoid Robots
本文提出了一种基于步态驱动的强化学习框架，用于双足机器人，通过设计奖励函数提升运动性能。
2026-02-02 cs.RO
Modeling and Numerical Analysis of Kangaroo Lower Body based on Constrained Dynamics of Hybrid Serial-Parallel Floating-Base Systems
PAL Robotics（PAL机器人公司）
本文针对PAL Robotics开发的袋鼠双足机器人下肢，提出基于约束动力学的浮动基座建模方法，并通过与TALOS对比及仿真和实物测试验证其在足部惯量和质心角动量方面的改进。
2024-02-22 cs.RO
Humanoid Loco-Manipulations Pattern Generation and Stabilization Control
CNRS-AIST JRL (Joint Robotics Laboratory)（法国国家科学研究中心-日本产业技术综合研究所联合机器人实验室）
针对人形机器人在行走移动物体时受外部接触力影响的问题，提出一种基于线性倒立摆和运动发散分量的双足控制策略，通过规划质心轨迹并补偿操作力误差，在仿真和真实机器人实验中验证了其有效性。
2025-05-30 cs.RO cs.SY eess.SY
Online Non-linear Centroidal MPC for Humanoid Robot Locomotion with Step Adjustment
Istituto Italiano di Tecnologia（意大利理工学院）；University of Genoa（热那亚大学）；University of Manchester（曼彻斯特大学）
本文提出了一种用于人形机器人运动的具有在线步距调整能力的非线性模型预测控制器。所提出的控制器考虑系统的重心动力学来计算所需的接触力和扭矩以及接触位置。从基于简化模型的双足步行架构，所提出的方法考虑了减少质心模型，从而使机器人执行高度动态运动，同时保持控制问题仍然在线治疗。我们表明，所提出的控制器可以自动调整接触位置在单，双支持阶段。然后，测试的整体方法与模拟单腿和双腿系统执行跳跃和运行任务，分别。最后，我们验证了所提出的控制器上的位置控制的人形机器人iCub。结果表明，该策略可以防止机器人跌倒，而步行和推动外力高达40牛顿1秒施加在机器人手臂。
2022-03-10 cs.RO
A Spiking Neural Architecture for Coordinating Arm and Locomotor Control
Centre for Theoretical Neuroscience（理论神经科学中心）；Dept. of Systems Design Engineering, University of Waterloo（滑铁卢大学系统设计工程系）；Applied Brain Research（应用脑研究公司）；Dept. of Nanotechnology Engineering, University of Waterloo（滑铁卢大学纳米技术工程系）；Dept. of Philosophy, University of Waterloo（滑铁卢大学哲学系）
提出一种基于脉冲神经网络（SNN）的架构，利用神经工程框架（NEF）和语义指针架构（SPA）协调仿人机器人的手臂力控制与双足运动，并通过基底节模型实现高层动作选择，首次在全身仿人平台上实现集成控制。
2026-06-09 cs.NE cs.RO
Agile Actions with a Centaur-Type Humanoid: A Decoupled Approach
Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）
半人马型人形平台的运动学特征与强大的驱动相结合，使各种敏捷和动态运动的实验成为可能。然而，与双足和四足对应物相比，系统的自由度和重量增加，在计算负载和实际实施方面带来了重大的研究挑战。为此，这项工作提出了一种控制架构，执行敏捷的行动，设想为扭矩控制平台，这是出于计算目的的离线最优控制规划的下半身基元，基于模板的运动学模型，和在线控制的上半身运动，以保持平衡。三种稳定策略，其性能进行了比较，在两种类型的模拟跳跃，而实验验证半蹲跳使用CENTAURO机器人。
2021-03-12 cs.RO
Autotuning Bipedal Locomotion MPC with GRFM-Net for Efficient Sim-to-Real Transfer
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Southern California（南加州大学）；Stanford University（斯坦福大学）
提出基于可微规划的DiffTune自动调参方法，结合GRFM-Net弥补低保真模型与实际控制效果的差异，有效缓解sim-to-real差距，使双足运动控制总损失最高降低40.5%。
2024-09-24 cs.AI cs.RO cs.SY
RL-augmented MPC Framework for Agile and Robust Bipedal Footstep Locomotion Planning and Control
Universitat Politècnica de Catalunya (UPC)（加泰罗尼亚理工大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出结合MPC与RL的双足落脚点规划控制框架，利用学习策略弥合简化模型与全阶系统差距，在DRACO 3机器人上验证了动态运动性能的显著提升。
2024-07-25 cs.RO
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
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 Safe Bipedal Robot Navigation using Linear Discrete Control Barrier Functions
The Ohio State University（俄亥俄州立大学）
本研究提出一个统一的安全路径与步态规划框架，利用线性倒立摆模型和线性离散控制屏障函数，实现人形机器人在杂乱环境中的实时安全导航，并在仿真中验证了其有效性。
2024-11-06 cs.RO cs.SY eess.SY
Template Model Inspired Task Space Learning for Robust Bipedal Locomotion
Ohio State University（俄亥俄州立大学）；Southern University of Science and Technology (SUSTech)（南方科技大学）
本文提出融合RL高层任务空间规划与模型低层控制的双足运动框架，借鉴ALIP设计MDP，在Rabbit、Walker2D和Digit上验证了其高效、鲁棒与泛化优势。
2023-09-27 cs.RO
Biomechanical Comparisons Reveal Divergence of Human and Humanoid Gaits
Zhejiang University（浙江大学）；School of Engineering, Westlake University（西湖大学工程学院）；Ningbo Institute of Materials Technology and Engineering, Chinese Academy of Sciences（中国科学院宁波材料技术与工程研究所）
本研究提出GDAF框架，通过比较人类与仿人步态的生物力学差异，揭示现代仿人控制器在步态对称性、能量分布和关节协调方面的系统性偏差，为提升仿人运动的生物力学保真度和节能性提供基准和工具。
2026-02-25 cs.RO
Task-Specified Compliance Bounds for Humanoids via Lipschitz-Constrained Policies
Department of Robotics, Mohamed bin Zayed University of Artificial Intelligence（机器人系，Mohamed bin Zayed人工智能大学）
本文提出一种各向异性Lipschitz约束策略，将任务空间刚度上限映射为状态依赖的Lipschitz型约束，提升人形机器人运动稳定性与抗冲击性。
2026-03-20 cs.RO
MARCH: Model-Assisted Reinforcement Learning for the Perceptive Control of Humanoids over Sparse Footholds
Department of Mechanical Engineering（机械工程系）
提出模型辅助强化学习框架，结合简化模型生成安全参考轨迹、基于控制李雅普诺夫函数的奖励引导教师策略训练以及视觉学生策略蒸馏，实现人形机器人在稀疏立足点上的稳健感知行走。
2026-10-15 cs.RO
Like Playing a Video Game: Spatial-Temporal Optimization of Foot Trajectories for Controlled Football Kicking in Bipedal Robots
Adaptive Robotic Controls Lab (ArcLab), Department of Mechanical Engineering, The University of Hong Kong（适应性机器人控制实验室（ArcLab）、机械工程系、香港大学）
针对类人机器人踢球时稳定性与球轨迹控制难的问题，将无人机时空轨迹规划法适配到双足机器人，自主生成满足多约束的足部轨迹并优化摆腿时长，实现了毫秒级规划与近100%的踢球任务准确率。
2025-10-02 cs.RO
Overtaking Moving Obstacles with Digit: Path Following for Bipedal Robots via Model Predictive Contouring Control
University of Delaware（特拉华大学）
本文提出一种基于模型预测轮廓控制（MPCC）的双足机器人步态选择方法，使Digit能在最大化路径推进的同时，在忠实路径跟随与快速路径跟随间决策，实现超越移动障碍物。
2023-07-31 cs.RO
Reinforcement Learning with Data Bootstrapping for Dynamic Subgoal Pursuit in Humanoid Robot Navigation
Mechanical and Aerospace Engineering, The Ohio State University（机械与航空航天工程，俄亥俄州立大学）；Electrical and Computer Engineering, The Ohio State University（电气与计算机工程，俄亥俄州立大学）；Computer Science and Engineering, The Ohio State University（计算机科学与工程，俄亥俄州立大学）
本文提出一种分层导航框架，结合高层强化学习子目标选择与低层MPC步态规划，并利用数据引导加速训练，在人形机器人杂乱环境导航中显著提升了成功率和适应性。
2025-06-02 cs.RO
A Benchmarking of DCM Based Architectures for Position, Velocity and Torque Controlled Humanoid Robots
Istituto Italiano di Tecnologia（意大利理工学院）；University of Genoa（热那亚大学）；National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）
本文有助于双足机器人运动的控制架构的基准。它考虑了基于发散运动分量（DCM）的架构，并由三个主要层组成：轨迹优化，简化模型控制和全身QP控制层。虽然前两层使用简化的机器人模型，全身QP控制层使用完整的机器人模型来产生关节级的期望位置、速度或扭矩输入。然后，本文比较了两种实现的简化模型控制层，这是测试与位置，速度和扭矩控制模式的全身QP控制层。特别是，瞬时和滚动时域控制器的简化模型控制层。我们还表明，所提出的架构之一，允许人形机器人iCub实现每秒0.3372米的向前行走速度，这是最高的行走速度实现的iCub机器人。
2019-11-27 cs.RO
Walk the PLANC: Physics-Guided RL for Agile Humanoid Locomotion on Constrained Footholds
Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院）；Department of Computing and Mathematical Sciences, California Institute of Technology（计算与数学科学系，加州理工学院）
本文提出基于物理的强化学习方法，结合结构化步态规划与数据驱动适应，实现人形机器人在受限足部支撑上的敏捷运动，显著提升可靠性。
2026-01-09 cs.RO
A Biomechanics-Inspired Approach to Soccer Kicking for Humanoid Robots
College of Information and Computer Sciences, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校信息与计算机科学学院）；School of Public Health and Health Sciences, University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校公共卫生与健康科学学院）
本文提出一种受生物力学启发的控制框架，结合轨迹优化与模仿学习，使25自由度人形机器人PresToe实现高速动态足球踢球，球速超过11米/秒。
2024-07-19 cs.RO
Data Driven Computational Model for Bipedal Walking and Push Recovery
Indian Institute of Information Technology Allahabad（印度信息技术学院阿拉哈巴德分校）
在本研究中，我们开发了数据驱动的计算步行模型，以克服传统的基于运动学的模型的问题。该模型具有自适应性，可以调整与人体形态相似的参数。人类行走是不同离散子阶段与其连续动态的组合。任何表现出离散切换逻辑和连续动态的系统都可以用混合系统来表示。在这项研究中，双足运动进行了分析，这是重要的理解的稳定性和协商与外部扰动。我们还研究了其他重要的行为推动恢复。Push恢复也是人类通过与环境的持续交互而获得的一种非常重要的行为。研究人员正在努力开发必须具有推动恢复能力的机器人，以便在动态环境中安全机动。在杂乱的环境中，推是一种非常常见的现象。人体可以通过髋、膝、踝关节不同的蹬伸策略从一定程度上恢复。不同的人有不同的推动恢复能力。例如，摔跤手与正常人相比具有更好的推动协商能力。因此，人类获得的推送协商能力是基于学习的，但学习机制仍然是未知的研究人员。世界各地的研究界正在试图开发各种人形模型来解决这个谜团。鉴于所有传统的基于力学和控制的模型都有一些固有的局限性，基于学习的计算模型已经被开发来有效地解决这个问题。在这项研究中，我们将讨论我们如何将这个问题框架为混合系统。
2017-10-18 cs.RO
FootstepNet: an Efficient Actor-Critic Method for Fast On-line Bipedal Footstep Planning and Forecasting
Univ. Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；ENS Rennes（雷恩高等师范学院）
提出FootstepNet，一种基于深度强化学习的Actor-Critic方法，用于快速在线双足机器人步态规划与预测，无需启发式规则，计算需求低，并在仿真和RoboCup 2023竞赛中验证了其有效性。
2024-12-17 cs.AI cs.RO
Bipedal Locomotion Optimization by Exploitation of the Full Dynamics in DCM Trajectory Planning
University of Tehran（德黑兰大学）
基于发散运动分量（DCM）和线性倒立摆模型（LIPM）的步行运动规划是实现人形机器人在线步态轨迹生成的一种方法。该算法需要调整不同的参数。在这里，我们开发了一个框架，以获得最佳的参数，以实现一个稳定的和节能的轨迹，真正的机器人的步态。为了找到最优的轨迹，四个成本函数代表的能量消耗，关节速度和施加在每个下肢关节的机器人，和成本函数的基础上的零力矩点（ZMP）的稳定性标准。在该框架中采用遗传算法来优化每个成本函数。虽然轨迹规划是在简化模型的帮助下进行的，但每个代价函数的值是通过考虑Bullet物理发动机模拟器中的全动力学模型和脚-地面接触模型来获得的。优化结果表明，最稳定的行走和最有效的行走方式是相互对比的。因此，在另一尝试中，在三个不同速度下执行ZMP和能量成本函数的多目标优化。最后，我们比较了设计的轨迹，这是使用最佳参数生成的，在舞蹈模拟器的仿真结果。
2022-07-30 cs.RO
