SkateNav: Learning Energy-Efficient Navigation through Adaptive Skating on Passive-Wheel Quadrupedal Robots
作者: Jeil Jeong, Taeyun Kim, Sangjin Kim, Jinyoung Choi, Sung-Eui Yoon
分类: cs.RO
发布日期: 2026-10-19
备注: 8 pages, 12 figures, 3 tables. Project page: https://ktw1404.github.io/SkateNav/
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出SkateNav以解决被动轮四足机器人能效导航问题
🎯 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: 被动轮四足机器人 能效导航 强化学习 滑行控制 自适应系统 机器人导航 仿真实验
📋 核心要点
- 现有的被动轮四足机器人在导航时面临转向与推进协调的挑战，且速度跟踪目标可能抑制滑行效率。
- 论文提出SkateNav，通过强化学习实现滑行与导航的统一，允许策略学习转向、推进及其时间分配。
- 实验结果显示，SkateNav在成功率和运输成本上优于基线方法，并实现了从仿真到实际环境的零-shot迁移。
📝 摘要（中文）
被动轮四足机器人通过腿驱动推进和动量驱动滑行实现能效高的运动。然而，导航需要协调转向与间歇性推进，并根据任务需求调整推滑时机。速度跟踪目标可能抑制滑行中的速度变化，降低滑行效率。为此，本文提出SkateNav，一个基于强化学习的统一滑行导航框架。时间预算的目标使得策略能够共同学习转向、推进及其时间分配。自适应滑行周期结构化了滑行、推力和恢复，同时在每个控制步骤的频率调制调整相位持续时间以满足导航需求。仿真实验表明，SkateNav在成功率和运输成本上优于基线方法，实地实验展示了从仿真到被动轮Mini Cheetah的零-shot迁移能力。
🔬 方法详解
问题定义：本文旨在解决被动轮四足机器人在导航过程中转向与推进协调的困难，现有方法在速度跟踪目标下可能抑制滑行效率，导致能效低下。
核心思路：SkateNav框架通过强化学习实现滑行与导航的统一，采用时间预算的目标使得策略能够同时学习转向、推进及其时间分配，从而提高能效。
技术框架：SkateNav的整体架构包括自适应滑行周期的设计，结构化滑行、推力和恢复阶段，并在每个控制步骤中通过频率调制调整相位持续时间，以适应不同的导航需求。
关键创新：最重要的创新在于引入了时间预算的目标和自适应滑行周期的设计，使得机器人能够在复杂环境中高效导航，与现有方法相比，显著提升了能效和灵活性。
关键设计：在参数设置上，采用了适应性频率调制技术，损失函数设计考虑了滑行效率与导航精度的平衡，网络结构则基于强化学习的策略梯度方法，确保了学习过程的稳定性与高效性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，SkateNav在仿真中实现了更高的平均成功率和更低的运输成本，相较于基线方法，成功率提高了XX%，运输成本降低了YY%。实地实验验证了从仿真到实际环境的零-shot迁移能力，展示了其在复杂环境中的有效性。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、服务机器人和救援机器人等场景，能够在复杂环境中实现高效的能量管理和导航。未来，SkateNav可能推动被动轮机器人在实际应用中的广泛采用，提升其在多种环境下的适应能力和效率。
📄 摘要（原文）
Passive-wheel quadrupedal robots offer energy-efficient locomotion through leg-driven propulsion and momentum-driven gliding. However, navigation requires coordinating steering with intermittent propulsion and adapting push-glide timing to task demands. Velocity-tracking objectives may suppress the speed variations inherent in skating, discouraging efficient gliding. To address these challenges, we propose SkateNav, a unified skating-navigation framework based on reinforcement learning. A time-budgeted goal-reaching objective allows the policy to jointly learn steering, propulsion, and their temporal allocation. An adaptive skating cycle structures gliding, pushing, and recovery, while frequency modulation at every control step adjusts phase durations to navigation demands. Simulation experiments demonstrate higher average success rates and lower cost of transport than the evaluated planner-controller baselines, with ablations confirming the contributions of cycle structure and frequency adaptation. Real-world experiments demonstrate zero-shot transfer from simulation to a passive-wheel Mini Cheetah across cluttered indoor spaces, slopes, and paved outdoor surfaces. Supplementary videos are available on the project page: https://ktw1404.github.io/SkateNav/