System Design of the Ultra Mobility Vehicle: A Driving, Balancing, and Jumping Bicycle Robot
作者: Benjamin Bokser, Daniel Gonzalez, Surya Singh, Aaron Preston, Alex Bahner, Annika Wollschläger, Arianna Ilvonen, Asa Eckert-Erdheim, Ashwin Khadke, Bilal Hammoud, Dean Molinaro, Fabian Jenelten, Henry Mayne, Howie Choset, Igor Bogoslavskyi, Itic Tinman, James Tigue, Jan Preisig, Kaiyu Zheng, Kenny Sharma, Kim Ang, Laura Lee, Liana Margolese, Nicole Lin, Oscar Frias, Paul Drews, Ravi Boggavarapu, Rick Burnham, Samuel Zapolsky, Sangbae Kim, Scott Biddlestone, Sean Mayorga, Shamel Fahmi, Tyler McCollum, Velin Dimitrov, William Moyne, Yu-Ming Chen, Farbod Farshidian, Marco Hutter, David Perry, Al Rizzi, Gabe Nelson
分类: cs.RO
发布日期: 2026-02-25
备注: 19 Pages, 11 figures, 3 movies, 2 tables
💡 一句话要点
设计超高机动性车辆：一种可驾驶、平衡和跳跃的自行车机器人
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 自行车机器人 高机动性 强化学习 零样本迁移 运动控制
📋 核心要点
- 现有机器人难以兼顾平稳地形的速度和崎岖地形的敏捷性，而受自行车运动员启发，本文旨在设计一种高机动性机器人。
- 该机器人结合自行车和反作用质量，通过仿真优化连杆拓扑，并利用约束强化学习实现多种运动技能的零样本迁移。
- 实验结果表明，该机器人能够高速行驶并跳跃越过大型障碍物，验证了其在复杂地形下的运动能力。
📝 摘要（中文）
本文介绍了一种名为超高机动性车辆（UMV）的机器人平台的设计与控制。该平台受到攀爬自行车和山地自行车运动员的启发，结合了自行车和反作用质量，以最少的驱动自由度实现动态运动。我们采用仿真驱动的设计优化流程来合成空间连杆拓扑，重点关注垂直跳跃高度和基于动量的单轮平衡。通过约束强化学习（RL）框架，我们展示了各种运动行为的零样本迁移，包括原地平衡、跳跃、翘头、后轮跳跃和前空翻。这款重23.5公斤的机器人能够实现高速行驶（8米/秒），并能跳上和越过大型障碍物（1米高，或机器人标称高度的130%）。
🔬 方法详解
问题定义：现有机器人通常难以在平稳地形上实现高速运动，同时在崎岖地形上保持高度的敏捷性。传统的轮式或足式机器人各有优缺点，难以同时满足这两种需求。因此，需要设计一种新型机器人，能够在复杂地形下实现高效、灵活的运动。
核心思路：本文的核心思路是借鉴自行车运动员的运动方式，设计一种结合自行车结构和反作用质量的机器人。通过控制反作用质量的运动，可以实现机器人的平衡、跳跃等复杂动作，从而提高其在复杂地形下的机动性。这种设计思路旨在利用最少的驱动自由度，实现最大的运动能力。
技术框架：该机器人的整体架构包括以下几个主要模块：1) 机械设计：采用空间连杆拓扑结构，优化机器人的跳跃高度和平衡能力。2) 仿真环境：使用仿真环境进行设计优化和控制策略的训练。3) 约束强化学习：利用约束强化学习框架，训练机器人的运动控制策略，实现各种运动技能的零样本迁移。4) 硬件实现：构建实际的机器人平台，验证仿真结果。
关键创新：该论文最重要的技术创新点在于将自行车结构和反作用质量相结合，并通过仿真驱动的设计优化和约束强化学习，实现了机器人在复杂地形下的高机动性。与传统的轮式或足式机器人相比，该机器人具有更高的速度和跳跃能力。此外，零样本迁移能力也大大提高了控制策略的泛化性。
关键设计：在机械设计方面，通过仿真优化连杆的长度和角度，以最大化跳跃高度和平衡能力。在强化学习方面，采用约束强化学习框架，确保机器人在训练过程中满足各种约束条件，例如平衡约束、速度约束等。此外，还设计了合适的奖励函数，引导机器人学习各种运动技能。
🖼️ 关键图片
📊 实验亮点
该机器人成功实现了8米/秒的高速行驶，并能够跳跃超过自身高度130%的障碍物（1米高）。通过约束强化学习，实现了原地平衡、跳跃、翘头、后轮跳跃和前空翻等多种运动技能的零样本迁移。这些实验结果表明，该机器人具有出色的运动能力和泛化性。
🎯 应用场景
该研究成果可应用于搜索救援、物流运输、地形勘测等领域。在灾难现场，该机器人可以快速穿越瓦砾堆，搜寻幸存者。在物流领域，它可以用于在复杂地形下进行货物配送。此外，该机器人还可以用于地形勘测，例如在矿山、森林等环境中进行数据采集。
📄 摘要（原文）
Trials cyclists and mountain bike riders can hop, jump, balance, and drive on one or both wheels. This versatility allows them to achieve speed and energy-efficiency on smooth terrain and agility over rough terrain. Inspired by these athletes, we present the design and control of a robotic platform, Ultra Mobility Vehicle (UMV), which combines a bicycle and a reaction mass to move dynamically with minimal actuated degrees of freedom. We employ a simulation-driven design optimization process to synthesize a spatial linkage topology with a focus on vertical jump height and momentum-based balancing on a single wheel contact. Using a constrained Reinforcement Learning (RL) framework, we demonstrate zero-shot transfer of diverse athletic behaviors, including track-stands, jumps, wheelies, rear wheel hopping, and front flips. This 23.5 kg robot is capable of high speeds (8 m/s) and jumping on and over large obstacles (1 m tall, or 130% of the robot's nominal height).