Humanoid Robot Running Through Random Stepping Stones and Jumping Over Obstacles: Step Adaptation Using Spring-Mass Trajectories
作者: Sait Sovukluk, Johannes Englsberger, Christian Ott
分类: cs.RO
发布日期: 2025-12-15
备注: Accepted for publication in Biomimetic Intelligence and Robotics. Supplemental video: https://youtu.be/HlAg2nbNct4
💡 一句话要点
提出基于弹簧-质量轨迹的人形机器人步态自适应框架，实现复杂地形运动。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 人形机器人 步态自适应 弹簧-质量模型 全身控制 复杂地形
📋 核心要点
- 现有方法在复杂地形下人形机器人运动控制方面存在步态适应性不足的挑战。
- 该论文提出基于弹簧-质量轨迹的步态自适应框架，通过预先计算的轨迹库和选择策略实现快速适应。
- 实验表明，该框架能够使人形机器人在复杂地形下稳定运动，并具有较强的抗干扰能力。
📝 摘要（中文）
本研究提出了一种步态自适应框架，用于通过弹簧-质量轨迹和无差拍控制增益库实现跑步运动。该框架包含四个主要部分：（1）自动生成弹簧-质量轨迹库；（2）通过主动控制的模板模型生成无差拍控制增益库，该模型能够很好地模拟全身动力学；（3）开发用于步态自适应的轨迹选择策略；（4）通过全身控制（WBC）框架将弹簧-质量轨迹映射到人形机器人模型，同时考虑闭链运动系统、自碰撞和反应性肢体摆动。我们通过各种具有挑战性和敏捷性的行为展示了所提出框架的包容性和鲁棒性，例如在随机生成的垫脚石上跑步、跳过随机障碍物、执行蛇形运动、用随机一条腿突然改变跑步方向，以及通过MuJoCo物理模拟器抑制显著的扰动和不确定性。我们还在一套全面的不确定性和噪声下进行了额外的模拟，以更好地证明所提出的方法对现实世界挑战的鲁棒性，包括信号噪声、不精确性、建模误差和延迟。所有上述行为都是使用单个库和同一组WBC控制参数执行的，无需额外调整。弹簧-质量和无差拍控制增益库总共在4.5秒内自动计算出315条不同的轨迹。
🔬 方法详解
问题定义：论文旨在解决人形机器人在复杂地形（如随机分布的垫脚石、障碍物等）下，如何实现稳定、敏捷的运动控制问题。现有方法通常需要针对特定地形进行手动调整或在线优化，计算成本高，难以适应快速变化的环境。
核心思路：论文的核心思路是预先生成一个包含多种步态轨迹的弹簧-质量模型轨迹库，并设计一种轨迹选择策略，根据当前环境信息（如垫脚石的位置、障碍物的高度等）快速选择合适的轨迹。通过这种方式，将在线计算量转移到离线阶段，从而实现快速的步态适应。
技术框架：该框架主要包含四个模块：1) 自动弹簧-质量轨迹库生成；2) 无差拍控制增益库生成；3) 轨迹选择策略；4) 全身控制（WBC）框架。首先，自动生成弹簧-质量轨迹库和对应的无差拍控制增益库。然后，根据环境信息，利用轨迹选择策略从轨迹库中选择合适的轨迹。最后，通过全身控制框架将选定的弹簧-质量轨迹映射到人形机器人模型上，实现全身运动控制。
关键创新：该论文的关键创新在于将弹簧-质量模型与无差拍控制相结合，并预先生成轨迹库，从而实现了快速的步态自适应。与传统的在线优化方法相比，该方法大大降低了计算复杂度，提高了实时性。此外，该框架还考虑了闭链运动系统、自碰撞和反应性肢体摆动等因素，提高了运动的稳定性和安全性。
关键设计：轨迹库包含315条不同的轨迹，这些轨迹覆盖了不同的步长、步高和运动方向。轨迹选择策略基于环境信息和机器人状态，选择与当前环境最匹配的轨迹。全身控制框架采用分层控制结构，上层控制器负责轨迹跟踪，下层控制器负责力矩分配和关节控制。为了提高鲁棒性，论文还考虑了信号噪声、建模误差和延迟等因素，并设计了相应的补偿机制。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该框架能够使人形机器人在随机生成的垫脚石上跑步、跳过随机障碍物、执行蛇形运动，并能快速改变跑步方向。在MuJoCo物理模拟器中，该框架能够有效抑制显著的扰动和不确定性。所有行为均使用同一组控制参数，无需额外调整。弹簧-质量和无差拍控制增益库在4.5秒内自动计算完成。
🎯 应用场景
该研究成果可应用于人形机器人在复杂环境下的搜索救援、物流运输、工业巡检等领域。通过快速适应不同的地形和障碍物，人形机器人能够更有效地完成任务，提高工作效率和安全性。未来，该技术有望进一步推广到其他类型的机器人，如四足机器人、轮式机器人等。
📄 摘要（原文）
This study proposes a step adaptation framework for running through spring-mass trajectories and deadbeat control gain libraries. It includes four main parts: (1) Automatic spring-mass trajectory library generation; (2) Deadbeat control gain library generation through an actively controlled template model that resembles the whole-body dynamics well; (3) Trajectory selection policy development for step adaptation; (4) Mapping spring-mass trajectories to a humanoid model through a whole-body control (WBC) framework also accounting for closed-kinematic chain systems, self collisions, and reactive limb swinging. We show the inclusiveness and the robustness of the proposed framework through various challenging and agile behaviors such as running through randomly generated stepping stones, jumping over random obstacles, performing slalom motions, changing the running direction suddenly with a random leg, and rejecting significant disturbances and uncertainties through the MuJoCo physics simulator. We also perform additional simulations under a comprehensive set of uncertainties and noise to better justify the proposed method's robustness to real-world challenges, including signal noise, imprecision, modeling errors, and delays. All the aforementioned behaviors are performed with a single library and the same set of WBC control parameters without additional tuning. The spring-mass and the deadbeat control gain library are automatically computed in 4.5 seconds in total for 315 different trajectories.