Mapless, Stabilizing, and Anti-Stuck Flipper Control for Articulated Tracked Robots

📄 arXiv: 2610.13838v1 📥 PDF

作者: Valentýn Číhala, Pavel Sarga, Martin Pecka, Tomáš Svoboda, Karel Zimmermann

分类: cs.RO

发布日期: 2026-10-09

备注: 8 pages, 3 figures and 2 tables

💡 一句话要点

提出无地图、稳定和防卡滞的翻转控制方法以解决机器人运动问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)

关键词: 无地图控制 翻转机器人 稳定性控制 防卡滞机制 自主导航 机器人运动 复杂环境

📋 核心要点

  1. 现有的翻转控制器普遍依赖于地形高程图，但由于传感器遮挡，底盘下方的地形信息无法获取，导致里程计漂移问题。
  2. 本文提出的SAS控制器通过结合稳定性和防卡滞机制，使用IMU和翻转关节角度等信息，实现了无地图控制。
  3. 实验结果表明，SAS在仿真和实际环境中表现出与最先进的地图控制器相当的穿越能力，尤其在复杂障碍物上表现优异。

📝 摘要（中文）

几乎所有自主或半自主的翻转控制器都假设能够访问机器人下方和前方地形的高程图。然而，由于传感器的遮挡，底盘下方的地形无法被感知，因此依赖于里程计积分来记忆地图，而这种方法会导致漂移。本文提出了一种无地图控制器——稳定防卡滞控制器（SAS），它结合了车身滚转和俯仰的稳定性项以及在机器人卡滞时解锁机器人的防卡滞项。SAS的输入包括IMU、翻转关节角度和一个仅指示机器人是否在移动的运动线索。该线索在短时间窗口内计算，且不进行累积，因此SAS不受里程计积分漂移的影响。我们在一款具有四个翻转器的履带机器人上部署了SAS，并与手动遥控和先前的翻转控制器进行了大规模比较，结果表明SAS在仿真和实际障碍物上都达到了与最先进的基于地图的控制器相当的穿越质量。

🔬 方法详解

问题定义：本文旨在解决现有翻转控制器依赖地形高程图的问题，尤其是由于传感器遮挡导致的底盘下方地形信息缺失和里程计漂移。

核心思路：SAS控制器通过不依赖地图，而是利用IMU和翻转关节角度等信息，结合稳定性和防卡滞机制，来实现机器人自主运动。

技术框架：SAS的整体架构包括输入模块（IMU、翻转关节角度）、稳定性计算模块和防卡滞机制模块，最终输出控制信号以调整机器人的运动状态。

关键创新：SAS的最大创新在于其无地图控制策略，避免了里程计漂移对地图的影响，确保了在复杂环境中的稳定性和灵活性。

关键设计：SAS的设计包括短时间窗口内的运动线索计算，确保不累积误差，同时在稳定性和防卡滞机制中引入了适当的权重参数，以优化机器人的运动表现。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，SAS在仿真和实际环境中均能实现与最先进的地图控制器相当的穿越质量。在高草丛中隐藏的木头障碍物上，SAS成功通过，而最佳的基于地图的控制器则出现了卡滞现象，展示了SAS的优越性。

🎯 应用场景

该研究的潜在应用领域包括自主机器人、农业机器人和救援机器人等场景，尤其是在复杂和未知环境中，SAS控制器能够有效提高机器人的自主导航能力，减少对地图的依赖，提升作业效率。

📄 摘要（原文）

Nearly every autonomous or semi-autonomous flipper controller assumes access to an elevation map of the terrain under and in front of the robot. The terrain beneath the chassis is occluded in the sensors, so the map is remembered through odometry integration, whose drift corrupts it. We present Stabilizing Anti-Stuck (SAS), a mapless controller that combines a stabilization term for body roll and pitch with an anti-stuck term that frees the robot when it gets stuck. As input, SAS uses the IMU, the flipper joint angles, and a motion cue that only tells whether the robot is moving. The cue is computed over a short window and never accumulated, so SAS does not inherit the odometry-integration drift that corrupts the map. We deploy SAS on a tracked robot with four flippers and evaluate it against manual teleoperation and prior flipper controllers in a large comparison, both in simulation and on a real obstacle. In simulation and on the real robot, SAS achieves traversal quality comparable to state-of-the-art map-based controllers. On a log hidden in tall grass, invisible to the LiDAR, the best map-based controller gets stuck while SAS traverses the hidden obstacle without a problem.