新浪博客

面向不同粗糙程度地面的四足机器人自适应控制方法

2025-08-20 14:54阅读：

http://blog.sina.cn/dpool/blog/u/1304706164

引用本文

张楠杰, 陈玉全, 季茂沁, 孙运康, 王冰. 面向不同粗糙程度地面的四足机器人自适应控制方法. 自动化学报, 2025, 51(7): 1585−1598 doi: 10.16383/j.aas.c240738
Zhang Nan-Jie, Chen Yu-Quan, Ji Mao-Qin, Sun Yun-Kang, Wang Bing. Adaptive control method for quadruped robot facing floors of different roughness. Acta Automatica Sinica, 2025, 51(7): 1585−1598 doi: 10.16383/j.aas.c240738
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c240738


关键词

四足机器人，强化学习，自适应控制策略，奖励函数优化，分层控制框架

摘要

针对四足机器人在复杂环境中的高速稳定运动问题, 提出一种融合模型和学习的分层运动控制框架. 首先, 提出基于单次落足点偏差的惩罚机制, 实现对连续滑动状态的有效评估. 其次, 构建基于双曲正切函数的连续接触状态描述, 显著改善了传统离散方法中的相位切换冲击问题. 然后, 设计基于LSTM的地面特性实时估计网络, 实现质心位置的自适应调整. 最后, 提出基于执行层和决策层的分层控制框架, 提高系统的环境适应能力. 在Isaac Gym仿真环境中的实验表明, 该控制方法能够适应不同摩擦系数和运动速度条件. 特别是在极低摩擦环境($\mu=0.05$)下, 自适应控制策略通过$0.061\;0 \;\text{m}$的质心高度调整, 在维持$1.428\;4 \text{ m/s}$运动速度的同时, 将足端滑动距离控制在$0.308 \pm 0.005\;0 \text{ cm}$, 充分验证了所提控制方法的有效性和实用价值.

文章导读

四足机器人凭借其出色的环境适应性和运动灵活性, 在工业巡检、灾害救援、极地探索等领域具有广阔的应用前景. 然而, 随着应用场景的不断拓展, 四足机器人面临着严峻的控制挑战: 从崎岖不平的野外地形到潮湿光滑的室内地面, 从易变形的沙地到狭窄的障碍物密集区域. 这些复杂的环境条件对机器人的运动控制提出更高要求, 尤其在光滑地面环境下, 传统控制方法难以兼顾运动的稳定性和灵活性, 限制了四足机器人的实际应用. 相比之下, 四足动物能够在各种复杂环境中展现出优异的运动能力, 可以精确调整身体姿态, 灵活选择落脚点, 从容应对各类地形挑战[1].

为实现四足动物般的灵活运动能力, 研究人员对四足机器人控制进行广泛探索. 传统的基于模型的方法, 如模型预测控制(Model predictive control, MPC), 主要通过简化动力学模型实现在线轨迹优化[2−3]. 这类方法在理想环境下表现出色, 能够保证机器人的运动稳定性, 并具有一定的抗扰动能力[4]. 随着环境复杂度增加, 准确建模变得愈发困难. 特别是在低摩擦地面上, 由于摩擦力的不确定性, 基于模型的控制方法难以实现预期的控制效果[5].

近年来, 强化学习(Reinforcement learning, RL)方法为解决上述问题提供了新的思路. 与传统方法不同, RL通过智能体与环境的持续交互来学习最优控制策略, 无需对复杂环境进行精确建模[6]. 研究表明, 基于RL的控制器能够自主学习复杂的运动策略, 优化步态参数, 提高能量效率, 并增强对外部扰动的鲁棒性[7−8]. 在步态优化方面, RL方法具有显著优势: 训练得到的步态具有更强的泛化能力[9]、更高的学习效率[10] 以及更自然的运动特征[11].

尽管RL方法在四足机器人控制领域取得了显著进展, 但在实际应用中仍面临重大挑战. 首先, 仿真环境与实际环境存在显著的差异, 虽然研究者提出了快速运动适应(Rapid motor adaptation, RMA)等方法[7], 但其在低摩擦环境下的适应能力仍然有限. 其次, 现有研究往往忽视质心位置对运动稳定性的重要影响, 这导致机器人在不同摩擦系数环境下的控制性能显著下降. 特别是在未知的低摩擦环境中, 现有控制器无法及时调整机体姿态和步态参数, 容易导致运动失稳[12].

针对上述挑战, 本文提出一种融合模型驱动和强化学习的四足机器人运动控制框架, 主要创新点如下:
1) 奖励函数设计: 提出单次落脚点偏差惩罚机制, 克服传统累积惩罚方法对瞬时滑动的过度敏感问题, 实现对连续滑动状态的有效评估;
2) 接触状态建模: 提出基于双曲正切函数的连续接触状态描述方法, 有效解决传统离散描述方法中的接触冲击问题, 提升运动过程的连续性和稳定性;
3) 地面特性感知: 设计基于LSTM的地面特性实时估计网络, 结合机体姿态动态调整策略, 实现机器人在不同粗糙程度地面的鲁棒运动;
4) 分层控制架构: 构建基于执行层和决策层的分层控制框架, 实现模型驱动与强化学习的有效结合, 提高系统的环境适应能力.
本文结构如下: 第1节介绍四足机器人步态设计与训练方法; 第2节详细阐述所提出的控制方法; 第3节通过仿真实验验证方法的有效性; 第4节总结全文并讨论未来研究方向.
面向不同粗糙程度地面的四足机器人自适应控制方法
图 1 四种步态及其期望的接触状态图
面向不同粗糙程度地面的四足机器人自适应控制方法
图 2 相位变量与腿部运动的映射关系
面向不同粗糙程度地面的四足机器人自适应控制方法
图 3 系统控制框架

本文提出一种新型四足机器人运动控制方法, 通过融合基于模型和基于学习的方法, 实现了机器人在不同摩擦系数地面的稳定运动. 主要贡献包括: 1)在奖励函数设计中, 提出基于单次落足点偏差的惩罚机制, 有效解决了传统方法对瞬时滑动过度惩罚的问题; 2)在接触建模方面, 采用双曲正切函数构建连续状态描述, 显著改善了传统离散方法中的冲击问题; 3)在环境感知上,

我的更多文章

下载客户端阅读体验更佳

APP专享