本文介绍了一个框架，用于合成双皮亚机器人步行，该框架通过数据驱动的台阶（S2S）动力学模型适应未知环境和动态误差。我们首先合成一个S2S控制器，该S2S控制器使用脚部的S2S动力学从混合线性倒置摆（H-LIP）模型中稳定步行。接下来，通过经典的自适应控制方法在线学习了机器人S2S动力学的数据驱动表示。因此，通过适当的连续输出合成捕获数据驱动的S2S控制器和低级跟踪控制器，可以通过适当的连续输出合成来实现所需的离散脚放置。所提出的方法是在仿真的3D两足机器人，Cassie和改进的参考速度跟踪的模拟中实现的。所提出的方法还能够实现步行行为，以适应未知载荷，不准确的机器人模型，外部干扰力，偏置速度估计和未知斜率。

在本文中，我们全能地提出了一种基于混合线性倒置的方法（H唇），用于合成和稳定3D足底双模行走，重点是彻底的硬件实现。提出了H-唇缘以捕获机器人行走的欠置和致动部分的基本组成部分。然后基于H唇直接合成机器人行走步态。我们全面地表征了H唇的周期性轨道，并通过其步骤 - 步骤（S2S）动力学可证明步骤稳定，然后用于近似于质量中心的水平状态的S2S动态（COM）机器人散步。近似设施基于H唇的步进控制器，提供所需的步长，以稳定机器人行走。通过实现所需的步骤尺寸，机器人实现了动态且稳定的行走。在欠扰动的BipeDal机器人Cassie的模拟和实验中完全评估了该方法，其展示了具有高通用和鲁棒性的动态行走行为。

由于机器人的脚下缺乏致动，全球地位控制是一个挑战性问题。在本文中，我们应用基于混合的倒立摆（H唇）踩踏3D废除后的双模型机器人进行全球位置控制。H-Lip行走的步骤步骤（S2S）动态近似于机器人行走的实际S2S动态，其中步长被认为是输入。因此，基于H唇的反馈控制器大致控制机器人表现得像H唇，它在误差不变集中保持的差异。模型预测控制（MPC）应用于3D中的全球位置控制的H唇。然后，H唇踩踏然后产生用于跟踪机器人的所需步进尺寸。此外，转向行为与步骤规划集成。拟议的框架在与概念验证实验中的模拟中验证了在模拟中的3D欠扰动的双模型机器人Cassie。

人类能够以显着的敏捷性和轻松的方式谈判计划和计划外行为。本文的目的是系统地研究这种人类行为向两足步行机器人的翻译，即使形态本质上不同。具体而言，我们从计划和计划外的下台开始的人类数据开始。我们从人类减少阶层建模的角度分析了这些数据，编码质量（COM）运动学和接触力的中心，这使这些行为将这些行为转化为双皮德机器人的相应降低阶模型。我们通过基于非线性优化的控制器将所得的行为嵌入了两足机器人的全阶动力学中。最终结果是在不足的步行机器人上模拟中计划和计划外的下台。

我们提出了一个框架，以使用基于适应性神经调节的线性反向摆（LIP）控制器来生成3D发导的两足机器人的周期性轨迹参考。我们使用LIP模板模型在当前步骤结束时估算机器人的质量（COM）位置和速度，并制定一个离散控制器，该控制器确定下一个脚步位置以实现所需的步行配置文件。该控制器配备了基于神经网络的自适应术语，该术语降低了模型不匹配的模型和物理机器人之间的不匹配，这特别影响了横向运动。然后，使用针对唇部模型计算的脚放置位置用于生成任务空间轨迹（COM和摇摆脚部轨迹），以使实际机器人实现稳定的步行。我们使用快速，实时的基于QP的逆运动算法，该算法从任务空间轨迹中产生联合参考，从而使配方独立于机器人动力学知识。最后，我们用数字机器人在两种情况下都获得了稳定的周期性运动，并在模拟和硬件实验中实施了建议的方法。

本文提出了一个模型预测控制（MPC）框架，以实现MIT类人体上的动态步态。除了适应脚步位置和在线时机外，该建议的方法还可以理解高度，接触扳手，躯干旋转，运动学限制和谈判不均匀的地形。具体而言，线性MPC（LMPC）通过与当前的脚步位置进行线性线性线性线性来优化所需的脚步位置。低级任务空间控制器跟踪从LMPC的预测状态和控制轨迹，以利用全身动力学。最后，采用自适应步态频率方案来修改步进频率并增强步行控制器的鲁棒性。 LMPC和任务空间控制都可以作为二次程序（QP）有效地求解，因此适用于实时应用程序。模拟研究中，MIT类人动物遍历波场并从冲动性干扰中恢复为拟议方法恢复。

本文为两足机器人提供了一个步态控制器，鉴于局部斜率和摩擦锥信息，可以在各个地形上行走高度敏捷。没有这些考虑，不合时宜的影响会导致机器人绊倒，而在姿势脚下的切向反作用力不足会导致滑倒。我们通过以新颖的方式将基于角动量线性倒置的摆（ALIP）和模型预测控制（MPC）脚放置计划者组合来解决这些挑战，该模型由虚拟约束方法执行。该过程始于从Cassie 3D Bipedal机器人的完整动力学中抽象，该机器人的质量动力学中心的精确低维表示，通过角动量参数化。在分段平面地形假设和消除机器人质量中心的角动量的术语中，有关接触点的质心动力学变为线性，并具有四个尺寸。重要的是，我们在MPC公式中以均匀间隔的间隔内包含步骤的动力学，以便可以从逐步到步进机器人的演变上进行现实的工作空间约束。低维MPC控制器的输出通过虚拟约束方法直接在高维Cassie机器人上实现。在实验中，我们验证了机器人控制策略在各种表面上具有不同倾斜和质地的性能。

Controller design for bipedal walking on dynamic rigid surfaces (DRSes), which are rigid surfaces moving in the inertial frame (e.g., ships and airplanes), remains largely uninvestigated. This paper introduces a hierarchical control approach that achieves stable underactuated bipedal robot walking on a horizontally oscillating DRS. The highest layer of our approach is a real-time motion planner that generates desired global behaviors (i.e., the center of mass trajectories and footstep locations) by stabilizing a reduced-order robot model. One key novelty of this layer is the derivation of the reduced-order model by analytically extending the angular momentum based linear inverted pendulum (ALIP) model from stationary to horizontally moving surfaces. The other novelty is the development of a discrete-time foot-placement controller that exponentially stabilizes the hybrid, linear, time-varying ALIP model. The middle layer of the proposed approach is a walking pattern generator that translates the desired global behaviors into the robot's full-body reference trajectories for all directly actuated degrees of freedom. The lowest layer is an input-output linearizing controller that exponentially tracks those full-body reference trajectories based on the full-order, hybrid, nonlinear robot dynamics. Simulations of planar underactuated bipedal walking on a swaying DRS confirm that the proposed framework ensures the walking stability under different DRS motions and gait types.

自适应控制可以解决控制系统中的模型不确定性。但是，它是专为跟踪控制而设计的。近期机器人控制的最新进步表明，力控制可以有效地实现敏捷和强大的运动。在本文中，我们提出了一种用于腿机器人的新型自适应力控制框架。我们以我们提出的方法介绍了一种新的架构，将自适应控制纳入二次编程（QP）力控制。由于我们的方法是基于力控制，它还保留了基线框架的优势，例如对不均匀地形，可控摩擦约束或软撞击的鲁棒性。我们的方法在模拟和硬件实验中成功验证。虽然基线QP控制在具有小负载的身体跟踪误差中显示出显着的降级，但我们所提出的基于自适应力的控制可以使12千克Unitree A1机器人能够在粗糙的地形上行走，同时承载最多6次kg（50％的机器人重量）。当站在四条腿时，我们所提出的自适应控制甚至可以允许机器人在机器人高度中携带多达11kg的负载（机器人重量的92％），并且在机器人高度中具有小于5cm的跟踪误差。

The ability to generate dynamic walking in real-time for bipedal robots with input constraints and underactuation has the potential to enable locomotion in dynamic, complex and unstructured environments. Yet, the high-dimensional nature of bipedal robots has limited the use of full-order rigid body dynamics to gaits which are synthesized offline and then tracked online. In this work we develop an online nonlinear model predictive control approach that leverages the full-order dynamics to realize diverse walking behaviors. Additionally, this approach can be coupled with gaits synthesized offline via a desired reference to enable a shorter prediction horizon and rapid online re-planning, bridging the gap between online reactive control and offline gait planning. We demonstrate the proposed method, both with and without an offline gait, on the planar robot AMBER-3M in simulation and on hardware.

对于诸如搜索和救援之类的苛刻情况下，人形生物的部署，高度智能的决策和熟练的感觉运动技能。一个有前途的解决方案是通过远程操作通过互连机器人和人类来利用人类的实力。为了创建无缝的操作，本文提出了一个动态的远程组分框架，该框架将人类飞行员的步态与双皮亚机器人的步行同步。首先，我们介绍了一种方法，以从人类飞行员的垫脚行为中生成虚拟人类步行模型，该模型是机器人行走的参考。其次，步行参考和机器人行走的动力学通过向人类飞行员和机器人施加力来同步，以实现两个系统之间的动态相似性。这使得人类飞行员能够不断感知并取消步行参考和机器人之间的任何异步。得出机器人的一致步骤放置策略是通过步骤过渡来维持动态相似性的。使用我们的人机界面，我们证明了人类飞行员可以通过地位，步行和干扰拒绝实验实现模拟机器人的稳定和同步近距离运行。这项工作为将人类智力和反射转移到人形机器人方面提供了基本的一步。

脚踝推断在很大程度上有助于人类步行的肢体能量产生，从而使运动更加顺畅，更有效。向截肢者提供这项净积极工作需要积极的假体，但有可能实现更自然的辅助运动。为此，本文将运动的多连接模型与基于力的非线性优化控制器一起使用，以实现2个受试者的动力转换假体，以实现类似人类的运动学行为，包括脚踝推断。特别是，我们利用基于模型的控制方法进行动态的双足机器人步行，以开发一种系统的方法，以实现不需要特定于主体的调整的动力假体上的人类行走。我们首先综合一个优化问题，该问题产生类似于人类联合轨迹的步态，并通过基于控制Lyapunov函数的基于lyapunov函数的非线性控制器实现这些步态，从。所提出的控制器是针对两个受试者的假体实施的，而无需在受试者之间进行调整，从而模拟了假体关节的特定主体人类运动学趋势。这些实验结果表明，与传统方法相比，我们基于力的非线性控制方法可以更好地跟踪人类运动轨迹。

在腿部机器人的机车上，执行高度敏捷的动态动作，例如跳跃或跑步的踏板乐队，这仍然是一个挑战性的问题。本文提出了一个框架，该框架结合了轨迹优化和模型预测控制，以在踏脚石上执行强大的连续跳跃。在我们的方法中，我们首先利用基于机器人的全非线性动力学的轨迹优化来生成各种跳跃距离的周期性跳跃轨迹。然后，基于模型预测控制的跳跃控制器设计用于实现平滑的跳跃过渡，从而使机器人能够在步进石上实现连续跳跃。得益于将MPC作为实时反馈控制器的合并，该提议的框架也得到了验证，可以对机器人动力学上的高度扰动和模型不确定性具有不均匀的平台。

具有单个刚体模型的凸模型预测控制（MPC）在真实的腿部机器人上表现出强烈的性能。但是，凸MPC受其假设的限制，例如旋转角度和预定义的步态，从而限制了潜在溶液的丰富性。我们删除了这些假设，并使用单个刚体模型解决了完整的混合企业非凸编程。我们首先离线收集预处理问题的数据集，然后学习问题解决方案图以快速解决MPC的优化。如果可以找到温暖的启动，则可以接近全球最优性解决离线问题。通过根据初始条件产生各种步态和行为来测试所提出的控制器。硬件测试根据传感器反馈演示了在线步态生成和适应性超过50 Hz。

现代机器人系统具有卓越的移动性和机械技能，使其适合在现实世界场景中使用，其中需要与重物和精确的操纵能力进行互动。例如，具有高有效载荷容量的腿机器人可用于灾害场景，以清除危险物质或携带受伤的人。因此，可以开发能够使复杂机器人能够准确地执行运动和操作任务的规划算法。此外，需要在线适应机制，需要新的未知环境。在这项工作中，我们强加了模型预测控制（MPC）产生的最佳状态输入轨迹满足机器人系统自适应控制中的Lyapunov函数标准。因此，我们将控制Lyapunov函数（CLF）提供的稳定性保证以及MPC在统一的自适应框架中提供的最优性，在机器人与未知对象的交互过程中产生改进的性能。我们验证了携带未建模有效载荷和拉重盒子的四足机器人的仿真和硬件测试中提出的方法。

模型预测控制（MPC）是控制机器人的流行策略，但由于混合动力学的复杂性质，很难接触系统。为了实现具有联系的系统，动态模型通常被简化或及时固定，以便有效地计划轨迹。在这项工作中，我们将混合迭代线性二次调节器扩展到以MPC方式（HILQR MPC）工作的1）通过1）修改触点模式时如何计算成本函数，2）在模拟刚体动态和3时使用并行处理。 ）使用刚体动力学的有效分析衍生化计算。结果是一个可以修改参考行为的接触顺序并凝聚力计划的系统 - 在处理大型扰动时至关重要。 HILQR MPC在两个系统上进行了测试：首先，在简单的驱动弹跳球混合系统上验证了混合成本修改。然后将HILQR MPC与在四倍的机器人（Unitree A1）上使用质心动态假设的方法进行比较。 HILQR MPC在模拟和硬件测试中的表现优于质心方法。

在双皮德机器人上生成健壮步态的能力是他们在硬件上成功实现的关键。为此，这项工作扩展了混合零动力学（HZD）的方法 - 传统上，该方法仅在完美影响事件下通过周期性限制来说明机车稳定性 - 通过包含盐矩阵，以构成合成强大的步行步态的观点。通过共同将扩展盐矩阵的规范和步态生成过程中的机器人的扭矩最小化，我们表明合成的步态比单独使用任何一个术语产生的步态更强大。这些结果在模拟和硬件中显示了琥珀色3M平面和阿塔兰特较低体外外骨骼（无论有没有人类）。最终结果是实验验证，即将盐矩阵与HZD方法相结合，在实践中会产生更健壮的两足步行。

尽管对Bipeds的运动稳定性进行了广泛的研究，但它们仍然缺乏在湿滑表面上缺乏干扰的应对能力。在本文中，关于表面摩擦限制，开发了一种用于稳定其矢状平面中的双模运动的新型控制器。通过考虑到表面稳定趋势的表面的物理限制，实现了更先进的可靠性水平，从而提供更高的功能，例如在低摩擦表面上推挽恢复，并防止稳定剂过度反应。基于离散的事件的策略包括修改每个脚步开头的步长和时间段，以便在考虑表面摩擦限制作为防止滑动的约束的同时重新建立稳定性必要条件。调整脚步以防止面对外部干扰的滑动被认为是保持稳定性的新策略，与人类反应非常相似。开发方法包括利用基本数学操作来获取控制输入的粗闭式解决方案，允许在收敛和计算成本之间达到平衡，即使具有适度的计算硬件，即使具有实时操作也非常适合实时操作。执行几种数值模拟，包括在低摩擦表面上的不同栅极之间的推挽恢复和切换，以证明所提出的控制器的有效性。在与人体步态经验相关的情况下，结果还揭示了一些有利于稳定性的物理方面以及在Gaits之间切换的事实，以降低面对不同条件的落地的风险。

在腿部机器人技术中，计划和执行敏捷的机动演习一直是一个长期的挑战。它需要实时得出运动计划和本地反馈政策，以处理动力学动量的非物质。为此，我们提出了一个混合预测控制器，该控制器考虑了机器人的致动界限和全身动力学。它将反馈政策与触觉信息相结合，以在本地预测未来的行动。由于采用可行性驱动的方法，它在几毫秒内收敛。我们的预测控制器使Anymal机器人能够在现实的场景中生成敏捷操作。关键要素是跟踪本地反馈策略，因为与全身控制相反，它们达到了所需的角动量。据我们所知，我们的预测控制器是第一个处理驱动限制，生成敏捷的机动操作以及执行低级扭矩控制的最佳反馈策略，而无需使用单独的全身控制器。

Legged robots pose one of the greatest challenges in robotics. Dynamic and agile maneuvers of animals cannot be imitated by existing methods that are crafted by humans. A compelling alternative is reinforcement learning, which requires minimal craftsmanship and promotes the natural evolution of a control policy. However, so far, reinforcement learning research for legged robots is mainly limited to simulation, and only few and comparably simple examples have been deployed on real systems. The primary reason is that training with real robots, particularly with dynamically balancing systems, is complicated and expensive. In the present work, we report a new method for training a neural network policy in simulation and transferring it to a state-of-the-art legged system, thereby we leverage fast, automated, and cost-effective data generation schemes. The approach is applied to the ANYmal robot, a sophisticated medium-dog-sized quadrupedal system. Using policies trained in simulation, the quadrupedal machine achieves locomotion skills that go beyond what had been achieved with prior methods: ANYmal is capable of precisely and energy-efficiently following high-level body velocity commands, running faster than ever before, and recovering from falling even in complex configurations.