四足机器人正逐渐出现在人类难以进入的场所，例如坡度陡峭的建筑工地、地下矿井隧道以及海上发电站的狭窄通道。为了在这些环境中生存，机器人必须能够在地面不平整或受到碰撞时行走而不跌倒。多年来，工程师们一直试图通过选择合适的“步态”（gait），即行走方式，来让这些机器更加稳定。正如人类有走路、慢跑和奔跑之分一样，机器人也有不同的模式，比如腿部依次移动的“步行”（walk），以及对角线方向的腿对同时移动的“小跑”（trot）。长期以来，人们一直认为机器人所使用的特定模式是决定其保持直立还是倾倒的最重要因素。
然而，一项新的研究表明，步态的名称远没有该步态内的一个单一连续设置那么重要。研究人员关注了一个被称为“占空比”（duty factor）的概念，它简单地描述了脚实际接触地面的时间与在空中停留的时间之比。高占空比意味着脚在步进过程中大部分时间都踩在地面上，而低占空比则意味着脚在空中摆动的时间更长。通过在模拟环境和真实硬件上进行测试，团队发现这个单一的数值比机器人技术上是在“步行”还是在“小跑”更能预测稳定性。事实上，只要机器人能让脚在地面上停留足够长的时间，无论是步行还是小跑，其稳定性都可以一样高。
由卡内基梅隆大学和迈阿密大学工程师领导的研究小组通过三种不同的方法来测试这一想法。首先，他们使用计算机模型为虚拟机器人设计了完美的行走路径，系统地改变了步态类型、速度和站姿宽度。然后，他们测量了机器人从微小误差或碰撞中恢复的能力。他们发现，当匹配占空比时，步行和小跑之间的差异消失了。一个以高占空比进行步行的机器人，与一个以相同占空比进行小跑的机器人一样稳定。哪条腿何时移动的具体模式似乎并不如脚部在地面上停留的时间那么重要。
为了证实这一点，团队使用人工智能训练机器人在模拟环境中穿越狭窄路径。他们给机器人一个简单的规则：根据路径的狭窄程度选择占空比。机器人很快学会了，当路径很窄时，它需要增加占空比，让脚在每一步中停留更长时间。这种调整让机器人即使在路径窄到几乎没有修正航向的空间时，也能保持平衡。模拟显示，通过仅仅调整这一个数字，机器人就可以适应复杂的地形，而无需改变整个行走风格，也不需要添加像尾巴或旋转轮之类的额外机械部件。
最后，研究人员将这些发现应用于现实世界。他们建造了一个仅15厘米宽的窄梁，并要求一台实体四足机器人穿越它。他们测试了机器人在不同速度和不同占空比下的表现。当机器人使用低占空比（即在空中停留时间较长）时，它经常失去平衡并从梁上跌落。然而，当占空比增加时，无论机器人使用的是步行还是小跑模式，都能成功穿越窄梁。这三种测试方法的结果是一致的：脚部在地面上停留时间的连续设置才是稳定性的关键，而不是步态本身的离散标签。
这项工作挑战了工程师看待机器人运动的传统方式。该研究表明，步行和小跑并不是解决平衡问题的两种完全不同的方案，而是属于一个连续的光谱。最重要的因素不是机器人选择了哪种模式，而是它如何调节步行的节奏。通过专注于占空比，工程师可以制造出更具鲁棒性和适应性的机器人，使其能够在无需复杂新硬件的情况下，穿越现实世界中狭窄且不可预测的空间。研究结果意味着，稳定机器人的秘诀不在于步态的复杂性，而在于脚部踩在地面上的那种简单、稳定的节奏。
技术摘要：占空比预测不同步态下的鲁棒约束四足运动
问题陈述
四足机器人正越来越多地被部署在非结构化、受限的环境中（例如建筑工地、矿井隧道），在这些环境中，运动必须对扰动和狭窄地形保持鲁棒性。虽然“步态类型”（如行走、小跑）是表征运动的标准抽象，但作者认为它是一个不完整的预测指标。单一的步态类型可以通过不同的速度、支撑宽度和占空比（即步态周期中足部与地面接触的部分）来实现。现有的控制策略通常固定接触序列和时序，以简化训练或优化过程，这可能将离散的步态类型与其实现该步态所使用的连续参数的效果混淆在一起。核心问题在于识别哪些具体的步态属性最直接地决定了运动的鲁棒性，特别是在容错余量极小的狭窄地形场景中。
研究方法
作者通过三种不同的控制架构和评估环境（涵盖从仿真到物理硬件）研究了步态参数与鲁棒性之间的关系：
研究 1：带有 LQR 反馈的全身轨迹优化
- 设置： 利用基于 Pinocchio 模拟器和 Ghost Robotics Spirit 40 模型的自定义直接配点框架。
- 分析： 生成了跨越不同速度和占空比的行走和典型小跑步态轨迹。使用基于盐析（saltation-based）的敏感性分析来量化局部误差收敛性，该方法通过线性化混合动力学（连续运动 + 离散接触转换）来计算收敛度量 χ。
- 实验： 系统地改变了步态类型、占空比、速度和支撑宽度。拟合线性回归模型以确定哪些参数能显著预测收敛度量。
研究 2：步态调节强化学习 (RL)
- 设置： 在 NVIDIA Isaac Sim 中使用近端策略优化算法 (PPO) 训练了一个 Unitree Go2 机器人的运动策略。该策略根据地形宽度、速度、支撑宽度和占空比进行调节。
- 机制： 训练了一个独立的“选择网络”，用于根据地形宽度和速度选择最优占空比，以在随机外部扰动（力和力矩）下实现成功率最大化。
- 目标： 测试占空比与鲁棒性的关系是否在学习的高维策略中成立，并观察选择器是否能自主地针对狭窄地形调整占空比。
研究 3：基于质心 MPC 的硬件实验
- 设置： 在物理 Unitree Go2 机器人上使用开源的 Quad-SDK 和质心模型预测控制 (MPC) 框架。
- 实验： 测试机器人穿越一条窄梁（宽度 0.15 m），且未使用任何外部平衡辅助装置（如尾巴或反应轮）。
- 变量： 测试了三种条件：占空比为 0.5 的小跑、占空比为 0.75 的小跑以及占空比为 0.75 的行走，测试速度分别为 0.3、0.4 和 0.5 m/s。成功定义为穿越窄梁而不跌倒。
核心贡献
- 步态参数的系统分析： 本文证明了占空比是比名义步态类型更强的收敛预测指标。当占空比相匹配时，行走和典型小跑之间的收敛性统计差异变得微乎其微。
- 跨架构验证： 高占空比与提高鲁棒性之间的关系在三种不同的规划/控制方法（全身优化、学习型 RL 和质心 MPC）、两种机器人模型以及仿真与硬件环境中均保持一致。
- 硬件演示： 该工作首次展示了四足机器人在无需专门平衡硬件（如尾巴或反应轮）的情况下，仅通过选择合适的占空比即可穿越狭窄横梁。
结果
- 收敛度量（研究 1）： 线性回归显示，虽然前进速度和支撑宽度会影响收敛性，但占空比是最显著的预测因子。在保持其他参数不变的情况下，增加占空比会一致地降低收敛度量 χ，表明具有更强的局部误差收缩能力和更高的鲁棒性。在占空比匹配为 0.75 时，行走和典型小跑步态表现出统计学上相似的收敛行为。
- RL 自适应（研究 2）： 学习到的选择网络在支撑宽度变窄时，始终选择较高的占空比。例如，在典型小跑中，随着支撑宽度从宽支撑减小到窄支撑（0.10 m），平均选择的占空比从 0.50 增加到了 0.725。较高的占空比与在受到扰动的仿真狭窄地形试验中的更高成功率直接相关。
- 硬件性能（研究 3）： 在物理窄梁上，对于占空比为 0.75 的小跑和行走，机器人在所有测试速度下均达到了 100% 的成功率。相反，占空比为 0.5 的小跑导致了失败（成功率为 80%），机器人在梁的中部失去了平衡。
重要性与主张
本文主张仅凭步态类型本身是一个不完整的抽象，不足以理解和设计鲁棒的四足运动。作者认为，传统的“行走”与“典型小跑”之分往往混淆了接触序列的效果与实际驱动性能的连续参数（如占空比）的影响。
其主要意义在于实现了步态选择范式的转变：
- 从离散到连续： 不再是在预定义的离散步态类型之间做选择，而是可以将占空比作为一个简单、连续且可解释的控制参数。
- 通过参数选择提升鲁棒性： 在受限环境中，可以通过选择更高的占空比来提高鲁棒性，而无需更改硬件（如添加尾巴）或基础控制器架构。
- 泛化性： 这种关系在不同的控制方法论中均成立，表明占空比是腿式运动鲁棒性的一个基本属性，而非特定控制算法的产物。
作者对研究范围保持了审慎态度，指出其分析侧重于行走和典型小跑，且其他参数（如步态周期、摆动时序）也可能与占空比存在相互作用。他们并不声称占空比是鲁棒性的唯一决定因素，但强调在所研究的情境下，它提供了显著更多的解释力。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。