Energy-Efficient Quadruped Locomotion with Compliant Feet
作者: Pramod Pal, Shishir Kolathaya, Ashitava Ghosal
分类: cs.RO, cs.AI
发布日期: 2026-05-14
备注: 29 pages, 7 figures, supplemental videos link is mentioned in the paper
💡 一句话要点
通过柔顺足端优化四足机器人能效，提升步态效率
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 四足机器人 柔顺足端 强化学习 能量效率 运动控制
📋 核心要点
- 传统四足机器人采用刚性足端，虽然控制简单，但能量利用率低，限制了运动性能。
- 本研究将足端柔顺性融入强化学习控制器，通过优化足端刚度来提升四足机器人的运动效率。
- 实验结果表明，适当的足端柔顺性可以显著降低能量消耗，且不会影响机器人的运动稳定性。
📝 摘要（中文）
四足机器人通常采用刚性足端设计，以简化控制并维持运动过程中的稳定接触。虽然这种方法直接，但限制了腿部吸收冲击力和重复利用储存弹性能量的能力，导致运动过程中能量消耗较高。为了探究柔顺足端是否能提供优势，我们将足端柔顺性集成到强化学习(RL)运动控制器中，并研究其对行走效率的影响。在仿真中，我们训练了八个策略，对应于八个不同的弹簧刚度值，然后通过测量每米行进消耗的机械能来交叉评估它们的性能。在开发的四足机器人上进行的实验表明，与足端采用非常硬或非常柔性的弹簧相比，中等刚度弹簧的能量消耗降低了约17%，仿真结果也出现了类似的趋势。这些结果表明，选择适当的足端柔顺性可以提高运动效率，而不会在运动过程中破坏机器人的稳定性。
🔬 方法详解
问题定义：四足机器人通常采用刚性足端，虽然简化了控制，但无法有效吸收冲击能量和利用弹性势能，导致能量效率低下。如何设计合适的足端柔顺性，在保证运动稳定性的前提下，降低能量消耗，是本研究要解决的核心问题。现有方法主要集中在刚性足端的运动控制，忽略了足端柔顺性对能量效率的潜在影响。
核心思路：本研究的核心思路是通过引入足端柔顺性，使四足机器人在运动过程中能够更好地吸收冲击能量，并利用弹性势能进行能量回收，从而降低能量消耗。通过强化学习训练，寻找最优的足端刚度参数，实现能量效率和运动稳定性的平衡。
技术框架：整体框架包括以下几个主要部分：1) 四足机器人动力学仿真环境搭建；2) 强化学习控制器设计，采用Actor-Critic算法；3) 足端柔顺性建模，通过弹簧刚度参数化；4) 训练过程：针对不同的弹簧刚度值，分别训练对应的运动控制策略；5) 评估过程：在仿真和实际机器人上，测试不同刚度下的运动效率，即单位距离消耗的能量。
关键创新：本研究的关键创新在于将足端柔顺性与强化学习控制相结合，通过优化足端刚度来提升四足机器人的能量效率。与传统刚性足端控制方法相比，本方法能够更好地利用足端的弹性特性，实现能量的回收和再利用。此外，通过强化学习方法，能够自动搜索最优的足端刚度参数，避免了人工调参的繁琐。
关键设计：足端柔顺性通过弹簧刚度参数化，不同的弹簧刚度对应不同的足端柔顺程度。强化学习控制器采用Actor-Critic算法，Actor网络负责输出动作，Critic网络负责评估动作的价值。奖励函数的设计至关重要，需要综合考虑运动速度、稳定性、能量消耗等因素。具体而言，奖励函数可能包含以下几项：前进速度奖励、姿态稳定奖励、能量消耗惩罚、动作幅度惩罚等。通过调整这些奖励项的权重，可以引导机器人学习到高效的运动策略。
🖼️ 关键图片
📊 实验亮点
实验结果表明，与刚性足端或过度柔顺的足端相比，采用适当刚度的柔顺足端可以显著降低四足机器人的能量消耗。在实际机器人实验中，中等刚度弹簧的能量消耗比最硬或最软的弹簧降低了约17%。仿真结果也显示出类似的趋势，验证了该方法的有效性。这些结果表明，通过优化足端柔顺性，可以显著提高四足机器人的运动效率。
🎯 应用场景
该研究成果可应用于各种需要长时间自主运动的四足机器人，例如搜救机器人、巡检机器人、物流机器人等。通过优化足端柔顺性，可以显著降低机器人的能量消耗，延长其续航时间，提高其在复杂环境下的适应能力。此外，该研究思路也可以推广到其他类型的机器人，例如双足机器人、轮式机器人等，为提高机器人的能量效率提供新的思路。
📄 摘要（原文）
Quadruped robots are often designed with rigid feet to simplify control and maintain stable contact during locomotion. While this approach is straightforward, it limits the ability of the legs to absorb impact forces and reuse stored elastic energy, leading to higher energy expenditure during locomotion. To explore whether compliant feet can provide an advantage, we integrate foot compliance into a reinforcement learning (RL) locomotion controller and study its effect on walking efficiency. In simulation, we train eight policies corresponding to eight different spring stiffness values and then cross-evaluate their performance by measuring mechanical energy consumed per meter traveled. In experiments done on a developed quadruped, the energy consumption for the intermediate stiffness spring is lower by ~ 17% when compared to a very stiff or a very flexible spring incorporated in the feet, with similar trends appearing in the simulation results. These results indicate that selecting an appropriate foot compliance can improve locomotion efficiency without destabilizing the robot during motion.