Adversarial Body Shape Search for Legged Robots
Chiba University（千叶大学）
提出了一种基于深度强化学习的演化计算方法，用于对腿式机器人零部件长度和厚度进行对抗性攻击。这种攻击改变了机器人的体型，并干扰了行走我们称被攻击的身体为对抗体型。演化计算方法通过最小化通过步行模拟获得的预期累积奖励来搜索对抗体型。为了评估所提出的方法的有效性，我们在OpenAI Gym中使用三条足式机器人、Walker2d、Ant-v2和Humanoid-v2进行实验。实验结果表明，Walker2d和Ant-v2更容易受到长度攻击，而Humanoid-v2更容易受到长度和厚度攻击。我们进一步确定，敌对的身体形状打破左右对称或转移的重心的足式机器人。发现对抗体型可以用于主动诊断足式机器人行走的弱点。
2022-05-20 cs.AI cs.RO
Learning Quadruped Locomotion using Bio-Inspired Neural Networks with Intrinsic Rhythmicity
Shenzhen Amigaga Technology Co Ltd.（深圳阿米加加科技有限公司）；Sun Yat-sen University（中山大学）；Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所）；University College London（伦敦大学学院）
本文提出一种结合中枢模式发生器（CPG）和多层感知器（MLP）的网络架构，将CPG重构为可微无状态网络以联合训练，实现四足机器人敏捷动态运动，能盲越不平地形、抗推力并自适应步频步长。
2023-05-12 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
The Kinetics Observer: A Tightly Coupled Estimator for Legged Robots
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）；National Institute of Advanced Industrial Science and Technology (AIST)（日本产业技术综合研究所）；Université Paris-Saclay（巴黎萨克雷大学）；Laboratoire d’Ingénierie des Systèmes de Versailles（凡尔赛系统工程实验室）；CNRS-University of Montpellier（法国国家科学研究中心-蒙彼利埃大学）
针对足式机器人本体感受状态估计难题，提出基于乘法扩展卡尔曼滤波的Kinetics Observer紧耦合估计器，通过接触粘弹性模型实现运动学与动力学紧耦合，提升估计鲁棒性与精度，已在两台人形机器人的行走与多接触运动场景中验证。
2026-10-09 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
Adversarial joint attacks on legged robots
Chiba University（千叶大学）
我们解决了对抗攻击的执行器在关节的足式机器人训练的深度强化学习。联合攻击的脆弱性会显著影响足式机器人的安全性和鲁棒性。在这项研究中，我们证明了对抗扰动的致动器的扭矩控制信号可以显着减少奖励，并导致机器人行走不稳定。为了找到对抗性扭矩扰动，我们开发了黑盒对抗攻击，其中对手无法访问通过深度强化学习训练的神经网络。无论深度强化学习的架构和算法如何，黑箱攻击都可以应用于足式机器人。我们采用三种搜索方法的黑盒对抗攻击：随机搜索，差分进化，和数值梯度下降方法。在OpenAI Gym环境中对四足机器人Ant-v2和双足机器人Humanoid-v2进行的实验中，我们发现差分进化可以有效地找到三种方法中最强的扭矩扰动。此外，我们意识到，四足机器人Ant-v2是容易受到对抗性扰动，而两足机器人Humanoid-v2是强大的扰动。因此，联合攻击可以用于机器人行走不稳定性的主动诊断。
2022-05-20 cs.AI cs.RO
Sinkage Study in Granular Material for Space Exploration Legged Robot Gripper
Tohoku University（东北大学）；Technische Universität Berlin（柏林工业大学）；University at Buffalo（布法罗大学）
针对月球深层区域探测需求，本文研究欠驱动柔性夹持器在颗粒材料中的下陷特性，搭建试验台并建立耦合离散元的仿真模型，验证后可估算月壤环境下的下陷量，助力提升足式机器人移动精度。
2025-01-10 cs.RO
Ankle Joints Are Beneficial When Optimizing Supported Real-world Bipedal Robot Gaits
University of Oslo（奥斯陆大学）；Norwegian Defence Research Institute（挪威国防研究所）
足式机器人比轮式机器人具有更高的通用性和穿越更困难地形的能力。尽管足式机器人的使用在过去几年中急剧增加，但它们仍然没有接近自然界中有腿动物的性能。机器人腿通常在机械上相当简单，很少有踝关节，尽管大多数陆地哺乳动物都有。踝关节可能是一个关键，以更好的性能和稳定性的足式机器人，在本文中，我们研究如何使用踝关节的双足机器人可以提高其性能时，结合进化技术的步态优化。我们的研究表明，无论是在模拟和物理实验中，除了踝关节的结果在更大的步行速度的支持双足机器人。
2021-05-22 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
Legged Robots for Object Manipulation: A Review
Case Western Reserve University（凯斯西储大学）；National University of Singapore（新加坡国立大学）；Birla Institute of Technology and Science Pilani（比拉理工学院皮拉尼分校）
足式机器人在动态的、以人为中心的或以其他方式不可接近的环境中操纵物体方面可以具有独特的作用。虽然迄今为止大多数腿式机器人研究通常集中在穿越这些具有挑战性的环境，但许多腿式平台演示也包括“移动物体”作为一种做有形工作的方式。足式机器人可以被设计成操纵特定类型的物体（例如，纸板箱、足球或较大的家具）。本次审查的目的是收集和学习这些例子，组织迄今为止在社区中所做的工作，并强调未来工作的有趣的开放途径。这篇评论将现有的作品分为四个主要的操作方法：对象的相互作用，没有把握，操作与步行腿，专用的非机车武器，腿的团队。每种方法都有不同的设计和自治功能，这是说明了文献中可用的例子。基于一些简化的假设，我们进一步提供了定量比较的范围内可能的相对尺寸的被操纵的对象相对于机器人。综上所述，这些例子提出了足式机器人操纵研究的新方向，如多功能肢体、地形建模或基于学习的控制，以支持在仓库/建筑工地、自然保护区、特别是家用机器人中具有挑战性的室内/室外场景中的许多新部署。
2023-03-29 cs.RO
Legged Robot State Estimation in Slippery Environments Using Invariant Extended Kalman Filter with Velocity Update
University of Michigan（密歇根大学）；University of California, Berkeley（加州大学伯克利分校）
提出了一种适用于湿滑环境下足式机器人的状态估计器。一个不变的扩展卡尔曼滤波器（InEKF）的融合惯性和速度测量跟踪相机和腿部运动学约束。{ \color{black}还对摄像机和机器人框架之间的未对准进行建模，从而实现摄像机姿态的自动校准。}基于腿运动学的速度测量被公式化为右不变观测。非线性可观测性分析表明，除了绕重力矢量的旋转和绝对位置外，除某些奇异情况外，所有状态都是可观测的。离散可观性分析表明，我们的过滤器是一致的潜在的非线性系统。提出了一种在线噪声参数整定方法，以适应相机测量噪声的强时变特性。该方法在Cassie双足机器人上进行了实验验证。该实验的视频可以在https://youtu.be/VIqJL0cUr7s上找到。
2021-04-09 cs.RO
Neuromorphic adaptive spiking CPG towards bio-inspired locomotion of legged robots
Universidad de Cádiz（加的斯大学）；University of Guanajuato（瓜纳华托大学）；Universidad de Sevilla（塞维利亚大学）
近年来，脊椎动物所表现出的运动机制一直是机器人系统性能改进的灵感来源。这些机制包括它们的运动对通过它们的生物传感器记录在环境中的任何变化的适应性。在这方面，我们的目标是复制这种适应性的足式机器人通过尖峰中央模式发生器。这种尖峰中央模式发生器生成不同的运动（节奏）模式，这些模式由外部刺激驱动，即连接到机器人以提供反馈的力敏电阻器的输出。尖峰中央模式发生器由五个群体的泄漏整合和发射神经元网络组成，这些神经元设计有特定的拓扑结构，从而可以通过上述外部刺激生成和驱动节奏模式。因此，末端机器人平台（任何足式机器人）的运动可以通过使用任何传感器作为输入来适应地形。具有自适应学习的尖峰中央模式发生器已在软件和硬件层面进行了数值验证，使用Brian 2模拟器和SpiNNaker神经形态平台进行最新验证。特别是，我们的实验清楚地表明，当输入刺激变化时，尖峰中央模式发生器的种群中产生的尖峰之间的振荡频率存在适应性。为了验证尖峰中枢模式发生器的鲁棒性和适应性，我们通过改变传感器的输出进行了几次测试。这些实验在Brian 2和SpiNNaker中进行;两种实现都显示出类似的行为，Pearson相关系数为0.905。
2021-01-24 cs.AI cs.NE cs.RO
Optimized Wrench Polytope Analysis for Real-Time Stability Control of Legged Robots in Complex Multi-Contact Configurations
FZI Research Center for Information Technology（FZI信息技术研究中心）
针对腿式机器人在复杂多接触场景下的稳定性控制，提出优化扳手多面体分析算法，实现49Hz实时计算，并在仿真和实际硬件上验证了超越现有控制器的稳定性。
2026-09-16 cs.RO
Verifying Safe Transitions between Dynamic Motion Primitives on Legged Robots
California Institute of Technology（加州理工学院）
本文提出一种形式化方法，用于确定足式机器人动态运动基元间安全转换的动态状态感知条件，构建可遍历的运动基元图以实现功能自主，并在四足机器人上验证了站立、行走、跳跃等基元及其转换。
2023-09-14 cs.RO
Robust Legged Robot State Estimation Using Factor Graph Optimization
Oxford Robotics Institute（牛津机器人研究所）；University of Oxford（牛津大学）
足式机器人，特别是四足机器人，对于工业应用，如检查，正变得越来越有吸引力。然而，离开实验室并对最终用户有用需要在恶劣条件下的可靠性。从状态估计的角度来看，尽管存在诸如不平坦或光滑的地形、无纹理和反射场景以及动态相机遮挡等挑战，但能够准确地估计机器人的状态是至关重要的。我们的动机是减少对脚接触分类的依赖，这在滑动时会失败，并减少动态运动（如小跑）期间的位置漂移。为此，我们提出了一种用于状态估计的因子图优化方法，该方法将惯性导航、腿部里程计和视觉里程计紧密地融合在一起并使之平滑。使用ANYmal四足机器人导航在一个现实的室外工业环境中的方法的有效性得到了证明。这个实验包括小跑，步行，穿越障碍物和爬楼梯。该方法降低了高达55%的相对位置误差和76%的绝对位置误差相比，运动惯性里程计。
2019-08-12 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
A Phase Variable Approach for Improved Rhythmic and Non-Rhythmic Control of a Powered Knee-Ankle Prosthesis
University of Texas at Dallas（德克萨斯大学达拉斯分校）；San Francisco State University（旧金山州立大学）；University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
虽然最近在控制多关节假肢的节奏任务，如行走，控制这些系统的非节奏运动和一般的现实世界的演习仍然是一个悬而未决的问题。在这篇文章中，我们开发了一个新的控制器，能够有节奏的（恒速）行走，速度和/或任务之间的转换，以及一些常见的意志腿运动。我们引入了一个新的分段完整相变量，通过有限状态机，形成我们的控制器的基础。通过测量大腿角度来构造相位变量，并且通过感测足部接触以及标称参考步态轨迹的属性来制定有限状态机中的转换。该控制器上实现了动力膝踝关节假体和测试与股骨截肢者的主题，谁成功地进行了广泛的节奏和非节奏的任务，包括缓慢和快速行走，快速启动和停止，向后行走，走过障碍物，踢足球。与使用带回家的被动腿相比，使用动力腿导致截肢者对节律性任务（包括跳跃和髋关节回旋）的补偿在临床上显著减少。此外，在非节奏任务的表现也有相当大的改善。所提出的方法有望在一个统一的框架中更好地理解节奏和非节奏运动，这反过来又可以更可靠地控制多关节假体，以实现更广泛的现实任务。
2019-08-04 cs.RO
Whleaper: A 10-DOF Flexible Bipedal Wheeled Robot
Whleaper是一种具有10自由度的双足轮式机器人，通过增加髋部自由度提升稳定性与灵活性，实现复杂地形中的稳定运动和障碍避让能力。
2026-03-12 cs.RO
Proprioception and reaction for walking among entanglements
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carnegie Mellon University（卡内基梅隆大学）
本文提出一种针对腿式机器人腿部缠绕的本体感知方法和在摆动相解开腿部的反应策略，使机器人能穿越多种刚度和几何形状的缠绕物，在实验室16次试验中成功14次并适用于户外环境。
2023-09-10 cs.RO
Central pattern generators evolved for real-time adaptation to rhythmic stimuli
University of Oslo（奥斯陆大学）
提出一种采用仿生CPG的虚拟四足机器人，通过多目标进化算法优化运动速度、方向及波动输入过滤层，使其能自发同步并调整步态以匹配外部节律刺激，从而在形态差异下实现协调运动及学习新模式。
2023-06-28 cs.RO nlin.AO
PTRL: Prior Transfer Deep Reinforcement Learning for Legged Robots Locomotion
本文提出PTRL框架，通过PPO预训练、策略迁移和部分网络冻结微调，显著提升腿足机器人强化学习的训练效率与跨机器人泛化能力。
2025-04-08 cs.RO
Evolutionary Gait Transfer of Multi-Legged Robots in Complex Terrains
Xiamen University（厦门大学）；City University of Hong Kong（香港城市大学）
机器人步态优化是指在各种内外约束条件下生成一条最优控制轨迹的任务。由于控制空间的维数很高，对于在复杂未知环境中行走的多足式机器人来说，这个问题尤其具有挑战性。现有文献往往将机器人的步态生成视为一个优化问题，针对机器人在特定环境下的行走，从零开始进行步态优化。然而，这样的方法不考虑使用预先获得的知识，这可能是有用的，在复杂的环境中提高运动生成的质量和速度。为了解决这个问题，本文提出了一个基于迁移学习的进化框架多目标步态优化，命名为Tr-GO。其思想是通过使用迁移学习技术初始化高质量的种群，因此任何类型的基于种群的优化算法都可以无缝集成到这个框架中。其优点在于，生成的步态不仅可以动态地适应不同的环境和任务，而且可以同时满足多个设计规范（例如，速度、稳定性）。实验结果表明，所提出的框架的有效性步态优化问题的基础上的三个多目标进化算法：NSGA-Ⅱ，RM-MEDA和MOPSO。当将预先获得的知识从平原地形转移到各种倾斜和崎岖的地形时，与非转移场景相比，所提出的Tr-GO框架至少加速了3-4倍的进化过程。
2020-12-24 cs.NE cs.RO
Bipedal walking with continuously compliant robotic legs
University of Stuttgart（斯图加特大学）；Institute for Nonlinear Mechanics（非线性力学研究所）
本文提出用连续柔顺材料替代传统刚性部件和SEA，设计双足机器人柔顺腿部，通过近似建模和多层控制策略，实现了成功的双足行走。
2024-11-11 cs.RO
GainAdaptor: Learning Quadrupedal Locomotion with Dual Actors for Adaptable and Energy-Efficient Walking on Various Terrains
Seoul National University of Science and Technology（首尔科学技术大学）
针对传统DRL足式机器人位置控制中PD增益人工调试限制适应性与效率的问题，提出带双智能体的GainAdaptor框架，可动态自适应调节PD增益，在Unitree Go1机器人上验证了多地形下的运动性能与能效提升。
2024-12-12 cs.LG cs.RO
HEAP -- The autonomous walking excavator
ETH Zurich（苏黎世联邦理工学院）；Moog Industrial Group GmbH（穆格工业集团有限公司）
建筑行业对自动化的需求和潜力是无与伦比的，特别是在提高环境可持续性、改善工人安全和减少劳动力短缺方面。我们开发了一种自动行走挖掘机-基于建筑工地上最多功能的机器之一-作为开始实现这一潜力的一种方式。本文描述了将现成的建筑机械转换为自主机器人系统的过程。首先，我们概述了必要的传感设备的完全自治和新颖的驱动的腿，并比较三种不同的互补驱动原则的挖掘机的arm. Second，我们解决了一般轮式足式机器人的状态估计问题。除了动态测量外，它还包括GNSS-RTK，以绝对参考建筑工地上的机器。第三，我们开发了用于驾驶、底盘平衡和手臂运动的独立控制器，实现了完全自主的操作。最后，我们强调了机器在四个不同的现实应用中的潜力，例如自主挖沟，自主组装干石墙，自主林业工作和半自主远程操作。最后，我们还分享了一些发展见解和未来可能的研究方向。
2021-06-09 cs.RO
Evolving a Behavioral Repertoire for a Walking Robot
Sorbonne Universités, UPMC Univ Paris 06（索邦大学，巴黎第六大学（UPMC））；CNRS（法国国家科学研究中心）
已经提出了许多算法来允许足式机器人学习行走。然而，这些算法中的绝大多数都是为了学习直线行走而设计的，这不足以完成任何现实世界的任务。在这里，我们介绍了基于可转移性的行为库进化算法（TBR-Evolution），一种新的进化算法，同时发现了数百个简单的行走控制器，每个可能的方向。通过利用通常被进化过程丢弃的解决方案，TBR-Evolution比独立进化每个控制器要快得多。我们的技术依赖于两种方法：（1）带有本地竞争的新颖性搜索，它搜索高性能和多样化的解决方案，以及（2）可移植性方法，它结合模拟和真实测试来进化物理机器人的控制器。我们评估这种新技术的六足机器人。结果表明，只有几十个简短的实验上进行的机器人，该算法学习的控制器，允许机器人到达其可达空间中的每一个点的剧目。总的来说，TBR-Evolution开启了一种新的学习算法，可以同时优化机器人所有可实现的行为。
2014-12-15 cs.RO
Residual-Based Adaptive Kalman Filtering for Legged Robot State Estimation
University of Bremen（不来梅大学）；German Research Center for Artificial Intelligence (DFKI GmbH)（德国人工智能研究中心）；Chalmers University of Technology（查尔姆斯理工大学）
针对四足机器人状态估计中卡尔曼滤波噪声参数难调、固定参数不适用于变步态环境的问题，提出基于残差和新息的协方差自适应方法，在InEKF中实现，实验表明其性能与足端力方法相当，trot步态精度提升25%
2026-08-04 cs.RO
Zippy: The smallest power-autonomous bipedal robot
Robotics Institute（机器人研究所）；College of Engineering（工程学院）；Department of Mechanical Engineering（机械工程系）
本文提出了仅3.6厘米高的最小自包含双足机器人Zippy，通过准被动设计与单电机开环控制实现转弯、跳跃和登阶，并以每秒10个腿长的速度成为该指标下最快的双足机器人。
2025-05-08 cs.RO
Coupling Vision and Proprioception for Navigation of Legged Robots
Carnegie Mellon University（卡内基梅隆大学）；UC Berkeley（加州大学伯克利分校）
我们利用视觉和本体感觉的互补优势，开发了一个点目标导航系统的足式机器人，称为VP-Nav。腿系统能够穿越更复杂的地形比轮式机器人，但要充分利用这一能力，我们需要一个高层次的路径规划的导航系统要知道的步行能力的低层次的运动策略在不同的环境。我们通过使用本体感受反馈来实现这一目标，通过感知玻璃墙等意外障碍物，地面的光滑度或柔软度等地形属性以及视觉可能错过的额外有效载荷等机器人属性来确保计划路径的安全性。导航系统使用车载摄像机来生成占用地图和相应的成本地图以到达目标。然后，快速行进规划器生成目标路径，速度命令生成器将其作为输入来生成步行策略所需的速度。安全顾问模块将感测到的意外障碍物添加到占用地图，并将环境确定的速度限制添加到速度命令生成器。我们表现出优越的性能相比，轮式机器人基线，消融研究，有不相交的高层次的规划和低层次的控制。我们还展示了真实世界的部署VP-Nav的四足机器人与板载传感器和计算。视频https://navigation-locomotion.github.io
2022-07-24 cs.AI cs.CV cs.LG
Open-Set Ego-Noise Separation for Legged-Robot Audition via Annotation-Free Adaptation and Pretrained-Model Transfer
The University of Tokyo（东京大学）
本文提出一种无标注适应的开集自身噪声分离框架，利用RecurGraph选择噪声片段、Transfer-DiT迁移预训练模型，在双足和四足机器人上验证了分离性能提升。
2026-10-14 cs.RO
PANOS: Payload-Aware Navigation in Offroad Scenarios
University at Buffalo（布法罗大学）；Moog Inc.（穆格公司）
提出弱监督方法PANOS，集成本体感知与外部感知，使腿式机器人在复杂地形和不同有效载荷下实现稳定步态，显著提升稳定性并降低振动成本。
2024-09-25 cs.RO
Reinforcement Learning for Reduced-order Models of Legged Robots
University of Pennsylvania（宾夕法尼亚大学）
本研究提出基于模型的强化学习方法，在模型预测控制中学习降阶模型，以弥合基于模型与无模型方法在双足机器人中的差距，实现可行任务区域提升49%和扭矩成本降低21%。
2023-10-15 cs.RO
Control- & Task-Aware Optimal Design of Actuation System for Legged Robots using Binary Integer Linear Programming
针对足式机器人高性能驱动系统设计难题，提出一种结合二进制整数线性规划的控制与任务感知设计框架，可通过优化组件选型与结构配置，在满足任务需求的同时提升驱动系统性能，并经双足机器人实验验证了有效性。
2023-07-21 cs.RO
Foot Shape-Dependent Resistive Force Model for Bipedal Walkers on Granular Terrains
Rutgers University（罗格斯大学）；Zhejiang University（浙江大学）
针对足式机器人在颗粒地形上运动困难的问题，提出引入有效侵入深度修正、考虑足形等因素的双足步行机器人阻力模型，经实验验证准确性，可集成至运动控制。
2024-03-06 cs.RO
Walking Posture Adaptation for Legged Robot Navigation in Confined Spaces
ETH Zürich（苏黎世联邦理工学院）；CSIRO（澳大利亚联邦科学与工业研究组织）
足式机器人由于其高自由度而具有适应其行走姿态以在受限空间中导航的能力。然而，这在大多数常见的多腿平台中还没有被利用。本文提出了一种可变形的限界框抽象的机器人模型，伴随着映射和规划策略，使一个足式机器人自主改变其身体形状，以浏览有限的空间。该映射是使用机器人为中心的多海拔地图与机器人携带的距离传感器生成的。路径规划基于轨迹优化算法CHOMP，该算法在避开障碍物的同时创建平滑的轨迹。所提出的方法已在仿真和六足机器人韦弗，这是33厘米高，82厘米宽正常行走时，实施测试。我们演示了在25厘米的悬垂障碍物下导航，通过70厘米宽的间隙和超过22厘米高的障碍物，在人工测试空间和现实环境中，包括地下采矿隧道。
2019-01-31 cs.RO
SafeSteps: Learning Safer Footstep Planning Policies for Legged Robots via Model-Based Priors
Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）
提出一种四足机器人落足点规划策略，通过学习地形安全信息并采用掩码PPO算法，显著减少安全违规，提升性能与样本效率。
2025-01-29 cs.RO
Real-time Digital Double Framework to Predict Collapsible Terrains for Legged Robots
National University of Singapore (NUS)（新加坡国立大学）；Institute for Infocomm Research (I 2 R)（信息通信研究所）；Department of Computer Science, University College London（伦敦大学学院计算机科学系）
提出一种实时数字替身框架，通过同步真实机器人与仿真模型提取多物理量差异，结合学习算法在动态行走中估计软质地形可塌陷性，实现跨场景泛化与真实世界可靠检测。
2025-08-14 cs.RO
Nonvisual Classification of Ground-Condition by Artificial Proprioception in an Amoeba-Inspired Autonomous Walking Robot
该研究为变形虫启发的自主步行机器人，整合传感器与储备池计算实现人工本体感觉，完成地面状况非视觉分类，可依地面切换步态并分析传感器贡献。
2026-08-07 cs.AI cs.LG cs.RO
Keep Rollin' - Whole-Body Motion Control and Planning for Wheeled Quadrupedal Robots
ETH Zürich（苏黎世联邦理工学院）
我们展示了轮式四足机器人的动态运动策略，它结合了步行和驾驶的优点。所开发的优化框架紧密集成了由车轮引入的额外自由度。我们的方法依赖于基于零矩点的运动优化，不断更新参考轨迹。参考运动由一个分层的全身控制器来跟踪，该控制器通过求解包括非完整滚动约束在内的一系列优先任务来计算最佳广义加速度和接触力。我们的方法已经在ANYmal上进行了测试，ANYmal是一种四足机器人，它是完全扭矩控制的，包括连接到腿上的非转向轮。我们在平坦和倾斜的地形以及台阶上进行了实验，由此我们表明，将车轮集成到运动控制和规划框架中会产生直观的运动轨迹，与其他轮式足式机器人相比，这使得运动更加稳健和动态。此外，以4 m/s的速度和降低83%的运输成本，我们证明了轮式足式机器人与腿式机器人相比的优越性。
2019-02-07 cs.RO
Allometric Scaling Laws for Bipedal Robots
Department of Mechanical Engineering, Carnegie Mellon University（卡内基梅隆大学机械工程系）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文研究双足机器人腿部长度与质量、速度等参数的等比关系，发现机器人质量与腿部长度平方成正比，与生物等比定律不同。
2026-09-22 cs.RO
A receding-horizon multi-contact motion planner for legged robots in challenging environments
Manchester Centre for Robotics and AI（机器人与人工智能中心）；University of Manchester（曼彻斯特大学）
本文提出了一种新型回溯地平线多接触运动规划器，用于在挑战性环境中为腿足机器人规划运动，提升了规划效率和质量。
2026-02-11 cs.RO
Walking with Terrain Reconstruction: Learning to Traverse Risky Sparse Footholds
Institute of Cyber-Systems and Control, Zhejiang University（浙江大学控制与网络系统研究所）；State Key Laboratory of Industrial Control Technology（工业控制技术国家重点实验室）
本文提出一种基于局部地形重建的端到端强化学习框架，仅利用本体感受和深度图像使四足机器人能够穿越高稀疏性和随机性的危险地形，并在真实场景中实现了敏捷自适应运动。
2025-03-03 cs.RO
Data Efficient Reinforcement Learning for Legged Robots
Robotics at Google（谷歌机器人部门）
我们提出了一个基于模型的框架，机器人运动，实现步行的基础上，只有4.5分钟（45,000控制步骤）的数据收集的四足机器人。为了准确地模拟机器人的动态在一个很长的时间范围内，我们引入了一个损失函数，跟踪模型的预测在多个时间步。我们采用模型预测控制来考虑规划延迟，这使得学习的模型可以用于实时的控制。此外，为了确保模型学习期间的安全探索，我们将腿部轨迹的先验知识嵌入到动作空间中。由此产生的系统实现快速和鲁棒的运动。与针对特定任务进行优化的无模型方法不同，我们的规划器可以通过简单地改变奖励函数，将相同的学习动态用于各种任务。据我们所知，我们的方法比目前的无模型方法的样本效率高出一个数量级。
2019-10-06 cs.AI cs.LG 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
Dynamic Walkng of Legged Machines
University of Edinburgh（爱丁堡大学）
腿式机器的运动面临着模型复杂性和计算成本的问题。存在基于复杂模型和/或强化学习的算法来解决行走控制任务。在这个计画中，我们的目标是发展一个以简单的线性倒立摆模型为基础的双足步行控制系统。为了简化复杂的腿运动控制过程，我们采用了将控制分为高度控制、前进速度控制和平衡控制三部分的技术。身体的前进速度与脚的位置成线性关系，因此我们用一个线性函数来实现脚的位置。我们的控制系统在模拟环境中实现了稳定的行走步态，我们的双足机器人以稳定，动态和几乎自然的方式以循环模式行走超过200步。实验数据和分析。
2018-05-15 cs.RO
The Effect of Tail Stiffness on a Sprawling Quadruped Locomotion
University of Galway（高威大学）；University of Notre Dame（圣母大学）
本研究通过在欠驱动匍匐式四足机器人上添加由单个伺服电机控制刚度的多节段缆绳驱动柔性尾巴，证明了可变刚度尾巴相比刚性尾巴或无尾巴能显著提升机器人在崎岖地形上的稳定性和攀爬能力。
2023-04-09 cs.RO
Real-Time Control-Constrained DDP for Underactuated Balancing of Legged Robots
Sungkyunkwan University (SKKU)（成均馆大学）；AIDIN ROBOTICS Inc.（艾丁机器人公司）
针对经典DDP处理控制约束的局限，提出ABC-DDP算法，结合可行性驱动多射击框架，实现欠驱动腿式机器人实时MPC，仿真验证其可完成静态双腿站立及多种动态运动。
2026-09-04 cs.RO math.OC
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
These Maps Are Made For Walking: Real-Time Terrain Property Estimation for Mobile Robots
University of Michigan（密歇根大学）
移动机器人的运动方程依赖于地形特性，如摩擦系数和接触模型参数。因此，估计这些属性是必不可少的机器人导航。理想情况下，任何估计地形属性的地图都应该实时的运行，减轻传感器噪声，并提供上述属性的概率分布，从而实现降低风险的导航和规划。本文针对这些需求，并提出了一个贝叶斯推理框架的语义映射，递归估计的地形表面轮廓和概率分布的地形属性使用的数据从一个单一的RGB-D相机。所提出的框架进行评估，在模拟对其他语义映射方法，并显示出优于这些国家的最先进的方法，正确估计模拟地面实况地形属性时，使用精度召回曲线和Kullback-Leibler发散测试进行评估。此外，所提出的方法部署在一个物理腿机器人平台在室内和室外环境中，我们表明我们的方法正确地预测在这两种情况下的地形特性。所提出的框架实时的运行，并包括一个ROS接口，易于集成。
2022-05-25 cs.RO eess.IV
Reset-free Trial-and-Error Learning for Robot Damage Recovery
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Université de Lorraine（洛林大学）
硬件故障的高概率阻止了许多先进的机器人（例如，足式机器人）被自信地部署在真实世界的情况下（例如，灾后救援）。机器人可以通过试错来适应，而不是试图诊断故障，以便能够完成任务。在这种情况下，损伤恢复可以看作是一个强化学习（RL）问题。然而，最好的机器人强化学习算法要求机器人和环境在每次发作后重置为初始状态，即机器人不是自主学习的。此外，大多数用于机器人的RL方法不能很好地扩展复杂的机器人（例如，步行机器人）并且要么根本不能使用要么花费太长时间来收敛到解（例如，学习时间）。在本文中，我们介绍了一种新的学习算法，称为“无重置试错”（RTE），（1）打破了复杂性，预先生成数百个可能的行为与完整的机器人的动力学模拟器，（2）允许复杂的机器人，以快速恢复从损坏，同时完成他们的任务，并考虑到环境。我们在模拟轮式机器人、模拟六条足式机器人和真实六条腿步行机器人上评估我们的算法，这些机器人以多种方式损坏（例如，缺腿、短腿、电机故障等）并且其目标是到达竞技场中的一系列目标。我们的实验表明，机器人可以恢复大部分的运动能力，在环境中的障碍，没有任何人为干预。
2017-12-12 cs.AI cs.RO
A Population-Level Analysis of Neural Dynamics in Robust Legged Robots
University of Colorado Boulder（科罗拉多大学博尔德分校）
本研究利用计算神经科学方法分析鲁棒足式机器人运动控制器的群体水平神经动力学，发现脆弱控制器因更多不稳定不动点导致平衡较差，且行走时循环状态呈低维结构化特征，对感觉输入依赖更强。
2023-06-27 cs.AI cs.LG cs.NE
OpenRoACH: A Durable Open-Source Hexapedal Platform with Onboard Robot Operating System (ROS)
University of California Berkeley（加利福尼亚大学伯克利分校）；University of California Riverside（加利福尼亚大学河滨分校）
OpenRoACH是一个15厘米200克的独立六足机器人，带有板载单板计算机。据我们所知，它是最小的足式机器人人与运行机器人操作系统（ROS）板载的能力。该机器人是完全开源的，使用可访问的材料和现成的电子元件，可以用台式快速原型机器（如激光切割机和3D打印机）制造，并且可以在两个小时内由一个人组装。它的传感能力已经过陀螺仪、加速度计、信标传感器、彩色视觉传感器、行扫描传感器和摄像机的测试。它的成本很低，包括结构材料、电机、电子设备和电池，价格在150美元以内。OpenRoACH的能力通过多表面行走和跑步、24小时连续行走老化、携带200克动态有效载荷和800克静态有效载荷以及基于摄像机反馈的ROS转向控制来展示。与机械设计、制造、装配、电子和控制算法相关的信息和文件都可以在https://wiki.eecs.berkeley.edu/biomimetics/Main/OpenRoACH上公开获得。
2019-03-01 cs.RO
Realizing Learned Quadruped Locomotion Behaviors through Kinematic Motion Primitives
Robert Bosch Centre for Cyber-Physical Systems, IISc（印度科学研究所罗伯特·博世网络物理系统中心）
人类和动物被认为使用一组非常小的轨迹来执行各种各样的任务，包括行走。我们在本文中的主要目标有两个方面：1）通过从深度强化学习（D-RL）中学习的轨迹，获得一种有效的工具来实现四足步行的这些基本运动模式，称为运动学运动基元（kMP）; 2）在我们的自定义四足足式机器人（称为“Stoch”）中，从这些运动学运动基元中实现一组行为，即小跑、步行、飞奔和跳跃。D-RL是一种数据驱动的方法，无论是在仿真还是在实验中，它都被证明是非常有效的，可以实现各种鲁棒的运动行为。另一方面，已知kMP捕获步行的底层结构并产生一组衍生行为。我们首先从D-RL生成步行步态，D-RL使用基于策略梯度的方法。然后，我们分析所产生的步行使用主成分分析。我们观察到，从PCA中提取的kMPs遵循类似的模式，无论生成的步态类型如何。利用这一基础结构，我们通过从kMP直接重建关节轨迹来实现Stoch行走。这种类型的方法提高了这些步态到真实硬件的可移植性，降低了板载计算开销，并且还通过从单个学习的步态生成一组派生行为来避免多次训练迭代。
2019-02-26 cs.LG cs.RO
Computation of Regions of Attraction for Hybrid Limit Cycles Using Reachability: An Application to Walking Robots
University of California, Berkeley（加州大学伯克利分校）；University of Southern California（南加利福尼亚大学）
接触丰富的机器人系统，如足式机器人和机械手，通常表示为混合系统。然而，这些系统的稳定性分析和区域的吸引力计算往往是具有挑战性的，因为接触时的不连续状态变化（也称为状态重置）。在这项工作中，我们投区域的吸引力的计算作为一个哈密尔顿-雅可比（HJ）的可达性问题。这使我们能够利用HJ可达性工具，与一般的非线性系统动力学兼容，并可以正式处理状态和输入约束以及有界干扰。我们的主要贡献是HJ可达性框架的推广，占不连续的状态变化源于状态重置，这一直是一个挑战，直到现在。我们应用我们的方法来计算几个欠驱动步行机器人的吸引区域，并证明了所提出的方法可以（a）恢复一个更大的区域的吸引比国家的最先进的方法，（b）处理状态重置，非线性动力学，外部干扰，和输入约束，（c）还提供了一个稳定的控制器的系统，可以利用状态重置，以提高系统的稳定性。
2022-02-09 cs.RO cs.SY eess.SY
