ASTRIL-MPC: Autonomous Traversal Framework of Articulated Tracked Robots with Language-Guided Neural-Kinematic MPC

📄 arXiv: 2609.13083v1 📥 PDF

作者: Zhenfeng Gan, Yanbo Chen, Lirong Che, Junbo Tan, Xueqian Wang

分类: cs.RO, cs.AI

发布日期: 2026-09-11

备注: 9 pages, 8 figures, 3 tables, 40 references

💡 一句话要点

提出ASTRIL-MPC以解决城市搜索救援中ATR的自主导航问题

🎯 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) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 关节履带机器人 自主导航 模型预测控制 语言引导 运动学模型 城市搜索与救援 优化规划

📋 核心要点

  1. 现有方法在复杂环境中，机器人与地形的交互难以建模，导致自主导航的可靠性不足。
  2. ASTRIL-MPC框架结合了学习的运动学模型、优化规划和语言引导的调优，提升了自主性和效率。
  3. 实验结果显示，ASTRIL-MPC在三项穿越任务中，相较于非自适应NMPC和PPO基线，分别提高了71%和67%的穿越质量评分。

📝 摘要（中文）

在城市搜索与救援中，关节履带机器人（ATR）需要在结构复杂且接触丰富的环境中进行自主导航，如楼梯和杂乱的建筑内部。由于机器人与地形的交互是混合且不连续的，可靠的自主性仍然面临挑战。本文提出ASTRIL-MPC，一个基于语言引导的神经运动学模型预测控制（MPC）框架，旨在实现自主穿越。该框架通过学习的运动学模型预测短期任务状态增量，结合多目标成本和严格的可行性约束进行规划，并通过大型语言模型（LLM）提出安全检查的权重和边界更新。实验结果表明，ASTRIL-MPC在多个任务中显著提高了穿越质量评分，且在下降过程中消除了可测量的碰撞影响。

🔬 方法详解

问题定义：本文旨在解决关节履带机器人在复杂环境中自主穿越的挑战，现有方法在机器人与地形交互建模上存在不足，导致自主性不可靠。

核心思路：ASTRIL-MPC框架通过结合学习的运动学模型与语言引导的调优，提供了一种新的解决方案，旨在提高机器人在复杂环境中的自主导航能力。

技术框架：该框架包括三个主要模块：学习的运动学模型用于预测任务状态增量，非线性模型预测控制（NMPC）进行多目标规划，以及大型语言模型（LLM）负责权重和边界的安全更新。

关键创新：ASTRIL-MPC的创新在于将学习的运动学与优化规划相结合，并引入语言模型进行动态调优，这种方法在现有技术中尚属首次。

关键设计：在设计中，采用了严格的可行性约束和多目标成本函数，确保了控制周期在100毫秒内完成，同时通过范围裁剪、速率限制和一致性检查来保证安全性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ASTRIL-MPC在三项穿越任务中，较非自适应NMPC提高了71%的穿越质量评分，较PPO基线提高了67%，并在下降过程中消除了可测量的碰撞影响，展示了其优越的性能和可靠性。

🎯 应用场景

ASTRIL-MPC框架在城市搜索与救援等复杂环境中具有广泛的应用潜力。其能够提高关节履带机器人的自主导航能力，减少碰撞风险，提升任务执行效率，未来可扩展至其他机器人领域，如灾后重建、建筑检查等。

📄 摘要（原文）

In urban search and rescue, articulated tracked robots (ATRs) must traverse structured but contact-rich environments such as stairwells and cluttered building interiors. Reliable autonomy remains challenging because robot-terrain interaction (RTI) is hybrid and discontinuous, and effective flipper-track coordination is difficult to model analytically. We present ASTRIL-MPC, a language-guided neural kinematics model predictive control (MPC) framework for autonomous traversal. A learned kinematics model predicts short-horizon task-state increments from a height sequence and recent trajectories; NMPC plans with multi-objective costs and strict feasibility constraints; and a large language model (LLM) proposes bounded updates to selected weights and bounds through a safety-checked interface with range clipping, rate limiting, and consistency checks. The compiled predictor enables a full control cycle within 100 ms. Across three traversal tasks and a multi-height generalization setting, ASTRIL-MPC improves an aggregate traversal-quality score by up to 71% over a non-adaptive NMPC and by 67% over a PPO baseline, while eliminating measurable collision impacts during descent. These results indicate that combining learned kinematics, optimization-based planning, and language-guided retuning yields data-efficient and robust autonomy for articulated tracked robots.