许多应用需要机器人通过具有大障碍的地形，例如自动驾驶，搜救和救援和外星探索。虽然机器人在避免稀疏障碍时已经出色，但它们仍然在扭转杂乱的障碍物中挣扎。灵感来自蟑螂的使用和响应具有不同方式的障碍物的障碍物，以跨越不同刚度的草地梁，在这里，我们开发了一种能够进行环境力传感的简约机器人的物理模型，向前推进两个光束以模拟和理解杂乱障碍的遍历。像刚度和偏转位置一样的光束属性可以从测量的嘈杂的梁接触力估计，其富力地随着感测时间而增加。使用这些估计，模型预测了使用势能障碍定义的遍历定义的成本，并使用它来规划和控制机器人以产生并跟踪以最小成本横穿轨迹。在遇到僵硬的光束时，模拟机器人从更昂贵的音高模式转换为更昂贵的滚动模式到遍历。当遇到脆弱的光束时，它选择推动横梁，而不是避免光束的能量成本。最后，我们开发了一个物理机器人并证明了估计方法的有用性。

机器人在遍历搜索和救援等重要应用程序所需的杂乱型大障碍时仍然差。相比之下，动物在这样做，通常使用与障碍物的直接物理相互作用而不是避免它们。在这里，为了了解杂乱的障碍遍历的动态，我们开发了一种简约的随机动力学模拟，灵感来自我们最近的昆虫横穿草地梁的研究。 2-D型系统由前向自行式圆形机车组成，在摩擦水平平面上平移，其具有横向随机力，并与形成栅极的两个相邻的水平梁相互作用。我们发现横向概率随着推进力单调地增加，但首先增加随机力幅度。对于具有不同刚度的不对称光束，横向朝向较强的光束的侧面更可能。这些观察结果符合潜在的能源景观方法的预期。此外，我们以晶格配置延伸单个栅极以形成一个大的杂乱的障碍物。使用从单门仿真获得的输入 - 输出概率图，应用了Markov链蒙特卡罗方法以预测遍历遍历。该方法在预测障碍物场内的主体的最终位置的统计分布时实现了高精度，同时节省了10 ^ 5的计算时间。

尽管有多样化的环境进展，但蛇机器人仍然远远落后于穿越大障碍物的复杂的3-D地形。这是由于缺乏对如何控制3-D体弯曲以推动地形特征来产生和控制推进的理解。生物学研究表明，总体蛇使用接触力传感来实时调整身体弯曲。然而，由于缺乏对其力传感器官如何工作的基本知识，研究蛇中的这种感觉调制的力量控制是挑战性的。在这里，我们采取了一种robophysics方法来进行进步，从开发一个能够使用接触力感测的3-D体弯曲的蛇机器人来实现，以实现系统的运动实验和力量测量。通过两个开发和测试迭代，我们创建了一个12段机器人，其中36个压电板传感器分布在所有段上，具有符合30 Hz的采样频率的符合壳体。机器人测量接触力，同时使用具有高可重复性的垂直弯曲来横穿大障碍，实现为提供系统实验的平台的目标。最后，考虑到压电传感器的粘弹性行为，我们探讨了基于模型的校准，这将为未来的研究有用。

陆地动物和机器人易于在复杂地形的快速运动过程中翻转。然而，与像昆虫这样的小动物相比，小型机器人能够从颠倒的方向自置于颠倒的方向。灵感来自翅膀的盘状蟑螂，我们设计了一种新的机器人，通过推动地面，将其翅膀打开到自权利。我们使用该机器人来系统地测试自右转性能如何取决于机翼开启幅度，速度和不对称性，并建模了运动学和精力充沛的要求如何取决于机翼形状和主体/机翼质量分布。我们发现，机器人自我权利使用动能动态地克服潜在的能量屏障，更大且更快的对称翼开度增加了自右转性能，并且当机翼开口较小时，开口翼的开口翼增加了右转概率。我们的结果表明，盘状蟑螂的翅膀自职是一种充满活力的机动。虽然薄薄的轻质蟑螂和我们的机器人的轻量级翅膀是充满活力的次优，与高大的沉重的，但它们的开翼的能力将它们节省了大量的能量，与否如果他们有静态炮弹。类似于生物外观，我们的研究为地球机器人提供了概念，以利用现有的形态以克服新的机器人挑战。

In this paper, we present a novel control architecture for the online adaptation of bipedal locomotion on inclined obstacles. In particular, we introduce a novel, cost-effective, and versatile foot sensor to detect the proximity of the robot's feet to the ground (bump sensor). By employing this sensor, feedback controllers are implemented to reduce the impact forces during the transition of the swing to stance phase or steeping on inclined unseen obstacles. Compared to conventional sensors based on contact reaction force, this sensor detects the distance to the ground or obstacles before the foot touches the obstacle and therefore provides predictive information to anticipate the obstacles. The controller of the proposed bump sensor interacts with another admittance controller to adjust leg length. The walking experiments show successful locomotion on the unseen inclined obstacle without reducing the locomotion speed with a slope angle of 12. Foot position error causes a hard impact with the ground as a consequence of accumulative error caused by links and connections' deflection (which is manufactured by university tools). The proposed framework drastically reduces the feet' impact with the ground.

在腿的运动中重新规划对于追踪所需的用户速度，在适应地形并拒绝外部干扰的同时至关重要。在这项工作中，我们提出并测试了实验中的实时非线性模型预测控制（NMPC），用于腿部机器人，以实现各种地形上的动态运动。我们引入了一种基于移动性的标准来定义NMPC成本，增强了二次机器人的运动，同时最大化腿部移动性并提高对地形特征的适应。我们的NMPC基于实时迭代方案，使我们能够以25美元的价格重新计划在线，\ Mathrm {Hz} $ 2 $ 2 $ 2美元的预测地平线。我们使用在质量框架中心中定义的单个刚体动态模型，以提高计算效率。在仿真中，测试NMPC以横穿一组不同尺寸的托盘，走进V形烟囱，并在崎岖的地形上招揽。在真实实验中，我们展示了我们的NMPC与移动功能的有效性，使IIT为87美元\，\ Mathrm {kg} $四分之一的机器人HIQ，以实现平坦地形上的全方位步行，横穿静态托盘，并适应在散步期间重新定位托盘。

本文着重于影响弹性的移动机器人的碰撞运动计划和控制的新兴范式转移，并开发了一个统一的层次结构框架，用于在未知和部分观察的杂物空间中导航。在较低级别上，我们开发了一种变形恢复控制和轨迹重新启动策略，该策略处理可能在本地运行时发生的碰撞。低级系统会积极检测碰撞（通过内部内置的移动机器人上的嵌入式霍尔效应传感器），使机器人能够从其内部恢复，并在本地调整后影响后的轨迹。然后，在高层，我们提出了一种基于搜索的计划算法，以确定如何最好地利用潜在的碰撞来改善某些指标，例如控制能量和计算时间。我们的方法建立在A*带有跳跃点的基础上。我们生成了一种新颖的启发式功能，并进行了碰撞检查和调整技术，从而使A*算法通过利用和利用可能的碰撞来更快地收敛到达目标。通过将全局A*算法和局部变形恢复和重新融合策略以及该框架的各个组件相结合而生成的整体分层框架在模拟和实验中都经过了广泛的测试。一项消融研究借鉴了与基于搜索的最先进的避免碰撞计划者（用于整体框架）的链接，以及基于搜索的避免碰撞和基于采样的碰撞 - 碰撞 - 全球规划师（对于更高的较高的碰撞 - 等级）。结果证明了我们的方法在未知环境中具有碰撞的运动计划和控制的功效，在2D中运行的一类撞击弹性机器人具有孤立的障碍物。

本文提出了一个最佳的运动计划框架，以自动生成多功能的四足动物跳跃运动（例如，翻转，旋转）。通过质心动力学的跳跃运动被配制为受机器人基诺动力约束的12维黑盒优化问题。基于梯度的方法在解决轨迹优化方面取得了巨大成功（TO），但是，需要先验知识（例如，参考运动，联系时间表），并导致次级最佳解决方案。新提出的框架首先采用了基于启发式的优化方法来避免这些问题。此外，针对机器人地面反作用力（GRF）计划中的基于启发式算法的算法创建了优先级的健身函数，增强收敛性和搜索性能。由于基于启发式的算法通常需要大量的时间，因此计划离线运动并作为运动前库存储。选择器旨在自动选择用用户指定或感知信息作为输入的动作。该框架仅通过几项具有挑战性的跳跃动作在开源迷你室中的简单连续跟踪PD控制器进行了成功验证，包括跳过30厘米高度的窗户形状的障碍物，并在矩形障碍物上与左悬挂式障碍物。 27厘米高。

This paper introduces a structure-deformable land-air robot which possesses both excellent ground driving and flying ability, with smooth switching mechanism between two modes. The elaborate coupled dynamics model of the proposed robot is established, including rotors, chassis, especially the deformable structures. Furthermore, taking fusion locomotion and complex near-ground situations into consideration, a model based controller is designed for landing and mode switching under various harsh conditions, in which we realise the cooperation between fused two motion modes. The entire system is implemented in ADAMS/Simulink simulation and in practical. We conduct experiments under various complex scenarios. The results show our robot can accomplish land-air switching swiftly and smoothly, and the designed controller can effectively improve the landing flexibility and reliability.

拍打翅膀是一种生物启发的方法，可在空中机器人中产生升力和推动，从而导致安静有效的运动。该技术的优点是安全性和可操作性，以及与环境，人类和动物的物理互动。但是，为了实现大量应用，这些机器人必须栖息和土地。尽管最近在栖息场上取得了进展，但直到今天，拍打翼车辆或鸟类动物仍无法停止在分支上的飞行。在本文中，我们提出了一种新颖的方法，该方法定义了一个可以可靠和自主将鸟鸟类降落在分支上的过程。该方法描述了拍打飞行控制器的联合操作，近距离校正系统和被动爪附件。飞行由三重俯仰高空控制器和集成的车身电子设备处理，允许以3 m/s的速度栖息。近距离校正系统，具有快速的光学分支传感可补偿着陆时的位置错位。这是通过被动双向爪设计可以补充的，可以锁定和固定2 nm的扭矩，在25毫秒内掌握，并且由于集成的肌腱致动而可以重新打开。栖息的方法补充了四步实验开发过程，该过程为成功的设计优化。我们用700 g的鸟杆验证了这种方法，并演示了在分支上拍打翼机器人的第一次自主栖息飞行，结果用第二个机器人复制。这项工作为在远程任务，观察，操纵和室外飞行中应用翼机器人的应用铺平了道路。

在粗糙的地形上的动态运动需要准确的脚部放置，避免碰撞以及系统的动态不足的计划。在存在不完美且常常不完整的感知信息的情况下，可靠地优化此类动作和互动是具有挑战性的。我们提出了一个完整的感知，计划和控制管道，可以实时优化机器人所有自由度的动作。为了减轻地形所带来的数值挑战，凸出不平等约束的顺序被提取为立足性可行性的局部近似值，并嵌入到在线模型预测控制器中。每个高程映射预先计算了步骤性分类，平面分割和签名的距离场，以最大程度地减少优化过程中的计算工作。多次射击，实时迭代和基于滤波器的线路搜索的组合用于可靠地以高速率解决该法式问题。我们在模拟中的间隙，斜率和踏上石头的情况下验证了所提出的方法，并在Anymal四倍的平台上进行实验，从而实现了最新的动态攀登。

随着腿部机器人和嵌入式计算都变得越来越有能力，研究人员已经开始专注于这些机器人的现场部署。在非结构化环境中的强大自治需要对机器人周围的世界感知，以避免危害。但是，由于处理机车动力学所需的复杂规划人员和控制器，因此在网上合并在线的同时在线保持敏捷运动对腿部机器人更具挑战性。该报告将比较三种最新的感知运动方法，并讨论可以使用视觉来实现腿部自主权的不同方式。

能够与环境进行物理相互作用的新型航空车的最新发展导致了新的应用，例如基于接触的检查。这些任务要求机器人系统将力与部分知名的环境交换，这可能包含不确定性，包括未知的空间变化摩擦特性和表面几何形状的不连续变化。找到对这些环境不确定性的强大控制策略仍然是一个公开挑战。本文提出了一种基于学习的自适应控制策略，用于航空滑动任务。特别是，基于当前控制信号，本体感受测量和触觉感应的策略，实时调整了标准阻抗控制器的收益。在学生教师学习设置中，该策略通过简化执行器动力进行了模拟培训。使用倾斜臂全向飞行器验证了所提出方法的现实性能。所提出的控制器结构结合了数据驱动和基于模型的控制方法，使我们的方法能够直接转移并不从模拟转移到真实平台。与微调状态的相互作用控制方法相比，我们达到了减少的跟踪误差和改善的干扰排斥反应。

释放机将现成的组件与3DPrinting结合在一起，是一种对称的反应轮独轮车，可以从任何初始位置从任何初始位置跳到其车轮上。船轮凭借非独立和散发不足的动力学以及两个耦合的不稳定自由度，为非线性和数据驱动的控制研究提供了一个具有挑战性的平台。本文介绍了车轮的机械和电气设计，其估计和控制算法以及实验在平衡时表明自我的和干扰的拒绝。

受数字孪生系统的启发，开发了一个新型的实时数字双框架，以增强机器人对地形条件的感知。基于相同的物理模型和运动控制，这项工作利用了与真实机器人同步的模拟数字双重同步，以捕获和提取两个系统之间的差异信息，这两个系统提供了多个物理数量的高维线索，以表示代表差异建模和现实世界。柔软的，非刚性的地形会导致腿部运动中常见的失败，因此，视觉感知完全不足以估计地形的这种物理特性。我们使用了数字双重来开发可折叠性的估计，这通过动态步行过程中的物理互动来解决此问题。真实机器人及其数字双重双重测量之间的感觉测量的差异用作用于地形可折叠性分析的基于学习的算法的输入。尽管仅在模拟中受过培训，但学习的模型可以在模拟和现实世界中成功执行可折叠性估计。我们对结果的评估表明，对不同方案和数字双重的优势的概括，可在地面条件下可靠地检测到细微差别。

跳跃可能是克服小地形差距或障碍的有效运动方法。在本文中，我们提出了两种不同的方法，可以用类人形机器人进行跳跃。具体而言，从预定义的COM轨迹开始，我们开发了速度控制器的理论和基于优化技术评估关节输入的优化技术的扭矩控制器。在模拟和类人形机器人ICUB中，对控制器进行了测试。在模拟中，机器人能够使用两个控制器跳跃，而实际系统仅使用速度控制器跳跃。结果突出了控制质心动量的重要性，他们表明联合性能，即腿部和躯干关节的最大功率，以及低水平的控制性能是至关重要的，以实现可接受的结果。

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。

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。

近二十年来，软机器人技术一直是机器人社区中的一个热门话题。但是，对于软机器人进行建模和分析的可用工具仍然有限。本文介绍了一个用户友好的MATLAB工具箱Soft Robot Simulator（Sorosim），该工具集合了Cosserat杆的几何变量应变（GVS）模型，以促进对软，刚性或混合机器人系统的静态和动力分析。我们简要概述了工具箱的设计和结构，并通过将其结果与文献中发布的结果进行比较。为了突出该工具箱有效建模，模拟，优化和控制各种机器人系统的潜力，我们演示了四个示例应用程序。所示的应用探索了单，分支，开放式和闭合链机器人系统的不同执行器和外部加载条件。我们认为，软机器人研究社区将从Sorosim工具箱中大大受益，用于多种应用。

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.