MUJICA: Multi-skill Unified Joint Integration of Control Architecture for Wheeled-Legged Robots

📄 arXiv: 2605.13058v1 📥 PDF

作者: Yuqi Li, Peng Zhai, Yueqi Zhang, Xiaoyi Wei, Quancheng Qian, Zhengxu He, Qianxiang Yu, Lihua Zhang

分类: cs.RO

发布日期: 2026-05-13

💡 一句话要点

MUJICA：用于轮腿机器人的多技能统一联合控制架构，提升复杂地形适应性

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 轮腿机器人 多技能控制 统一控制架构 强化学习 电机约束建模

📋 核心要点

  1. 轮腿机器人需要在轮式驱动和腿部控制之间有效平衡，现有方法难以兼顾。
  2. MUJICA通过统一的控制架构，将多种技能集成，并结合电机约束建模，实现鲁棒控制。
  3. 实验表明，MUJICA显著提高了轮腿机器人在非结构化环境中的适应性和任务成功率。

📝 摘要（中文）

本文提出了一种名为MUJICA（多技能统一联合控制架构）的轮腿机器人全感知控制框架，该框架将多种低级技能（包括全向移动、高平台攀爬和跌倒恢复）集成到一个策略中。所有技能通过独特的指示变量进行区分，并结合精确的直流电机约束建模进行联合训练。此外，学习了一个高级技能选择器，仅基于本体感知动态选择最佳技能，从而实现对周围环境的自适应响应。MUJICA增强了从仿真到现实的鲁棒性，并实现了不同运动模式之间的无缝过渡，从而促进了对环境的自主调整。在Unitree Go2-W机器人上的仿真和真实世界实验验证了该框架，证明了在非结构化环境中适应性和任务成功率的显著提高。

🔬 方法详解

问题定义：轮腿机器人需要在复杂地形中实现高效、鲁棒的运动。现有的控制方法通常难以在轮式驱动和腿部控制之间取得良好的平衡，并且容易受到本体感知噪声和电机约束的影响，导致在实际应用中性能下降。尤其是在非结构化环境中，如何根据环境变化动态选择合适的运动技能是一个挑战。

核心思路：MUJICA的核心思路是将多种低级运动技能（如全向移动、攀爬和跌倒恢复）集成到一个统一的控制框架中，并通过一个高级技能选择器根据本体感知信息动态选择最佳技能。这种方法允许机器人根据环境变化自适应地调整运动模式，从而提高在复杂地形中的运动能力和鲁棒性。同时，精确的电机约束建模有助于提高控制器的性能和安全性。

技术框架：MUJICA的整体架构包含三个主要模块：1) 低级技能控制器：负责执行各种运动技能，如全向移动、攀爬和跌倒恢复。每个技能都通过一个独特的指示变量进行区分。2) 高级技能选择器：根据本体感知信息（如机器人姿态、速度等）动态选择最佳的低级技能。3) 电机约束建模：对直流电机的物理约束进行建模，并在训练过程中考虑这些约束，以提高控制器的性能和安全性。整个框架采用端到端的方式进行训练。

关键创新：MUJICA的关键创新在于将多种低级技能集成到一个统一的控制框架中，并通过一个高级技能选择器实现动态技能选择。与传统的基于规则或分层控制的方法相比，MUJICA能够更好地适应环境变化，并实现更流畅的运动模式切换。此外，精确的电机约束建模也有助于提高控制器的性能和安全性。

关键设计：在低级技能控制器中，使用了强化学习算法（具体算法未知）进行训练，目标是最大化机器人的运动效率和稳定性。高级技能选择器采用神经网络进行训练，输入是本体感知信息，输出是选择哪个低级技能的概率分布。电机约束建模使用了基于物理的建模方法，将电机的电压、电流、转速等参数纳入考虑。损失函数包括运动效率损失、稳定性损失和电机约束损失。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

MUJICA在Unitree Go2-W机器人上进行了仿真和真实世界实验验证。实验结果表明，MUJICA在非结构化环境中显著提高了机器人的适应性和任务成功率。具体而言，MUJICA在攀爬高平台和跌倒恢复等任务中表现出优异的性能，并且能够实现不同运动模式之间的无缝过渡。与传统的控制方法相比，MUJICA在复杂地形中的运动效率和稳定性得到了显著提升（具体提升幅度未知）。

🎯 应用场景

MUJICA适用于各种需要在复杂地形中进行自主导航和操作的轮腿机器人应用，例如：搜救、巡检、物流、农业等。该框架可以提高机器人在非结构化环境中的适应性和任务成功率，从而扩展轮腿机器人的应用范围，并降低人工干预的需求。未来，MUJICA可以进一步扩展到其他类型的机器人，并与其他感知和规划模块集成，以实现更高级的自主功能。

📄 摘要（原文）

Wheeled-legged robots hold promise for traversing complex terrains and offer superior mobility compared to legged robots. However, wheeled-legged robots must effectively balance both wheeled driving and legged control. Furthermore, due to noisy proprioceptive sensing and real-world motor constraints, realizing robust and adaptive locomotion at peak performance of motors remains challenging. We propose the Multi-skill Unified Joint Integration of Control Architecture (MUJICA), a unified, fully proprioceptive control framework for wheeled-legged robots that integrates diverse low-level skills-including omnidirectional moving, high platform climbing, and fall recovery-within a single policy. All skills, distinguished by unique indicator variables, are trained jointly with accurate DC-motor constraint modeling. Additionally, a high-level skill selector is learned to dynamically choose the optimal skill based solely on proprioceptions, enabling adaptive responses to the surrounding environment. Therefore, MUJICA enhances sim-to-real robustness and enables seamless transitions across diverse locomotion modes, facilitating autonomous adjustment to the environment. We validate our framework in both simulation and real-world experiments on the Unitree Go2-W robot, demonstrating significant improvements in adaptability and task success in unstructured environments.