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。

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。

对于腿部机器人，航空动作是唯一可以通过标准运动步态绕过的障碍物的唯一选择。在这些情况下，机器人必须进行飞跃，以跳到障碍物或飞越障碍物上。但是，这些运动代表了一个挑战，因为在飞行阶段\ gls {com}无法控制，并且机器人方向的可控性有限。本文重点介绍了后一个问题，并提出了一个由两个旋转和驱动的质量（飞轮或反应轮）组成的\ gls {ocs}，以获得机器人方向的控制权。由于角动量的保护，即使与地面没有接触，它们的旋转速度也可以调节以引导机器人方向。飞轮的旋转轴设计为入射，导致一个紧凑的方向控制系统，该系统能够控制滚动和俯仰角，考虑到这两个方向的不同惯性矩。我们通过机器人Solo12上的模拟测试了该概念。

该论文提出了一个计划者，以使用质心动力学和人形机器人的完整运动学来产生步行轨迹。机器人与行走表面之间的相互作用是通过新条件明确建模的，即\ emph {动态互补性约束}。该方法不需要预定义的接触序列，并自动生成脚步。我们通过一组任务来表征机器人控制目标，并通过解决最佳控制问题来解决它。我们表明，可以通过指定最小的参考集，例如恒定所需的质量速度中心和地面上的参考点来自动实现行走运动。此外，我们分析了接触模型选择如何影响计算时间。我们通过为人形机器人ICUB生成和测试步行轨迹来验证该方法。

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。

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。

具有长飞行阶段的高度敏捷杂技动作需要完美的时机，高精度，以及整个身体运动的协调。为了解决这些挑战，本文提出了一个统一的时序和轨迹优化框架，可用于执行激进的3D跳跃的腿机器人。在我们的方法中，我们首先利用了有效的优化框架，使用简化的刚体动力学来解决机器人身体的接触时间和参考轨迹。然后使用该模块的解决方案基于机器人的全部非线性动力学制定全身轨迹优化。这种组合允许我们有效地优化接触定时，同时保证可以在硬件中实现的跳跃轨迹的准确性。我们在A1机器人模型上验证了所提出的框架，以获得各种3D跳跃任务，如双后跳和双桶分别从2M和0.8米的高海拔滚动。对于不同的3D跳跃动作，还成功地进行了实验验证，例如来自盒子或对角线跳转的桶卷。

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。

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。

由于机器人动力学中的固有非线性，腿部机器人全身动作的在线计划具有挑战性。在这项工作中，我们提出了一个非线性MPC框架，该框架可以通过有效利用机器人动力学结构来在线生成全身轨迹。Biconmp用于在真正的四倍机器人上生成各种环状步态，其性能在不同的地形上进行了评估，对抗不同步态之间的不可预见的推动力并在线过渡。此外，提出了双孔在机器人上产生非平凡无环的全身动态运动的能力。同样的方法也被用来在人体机器人（TALOS）上产生MPC的各种动态运动，并在模拟中产生另一个四倍的机器人（Anymal）。最后，报告并讨论了对计划范围和频率对非线性MPC框架的影响的广泛经验分析。

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。

本文介绍了一个新颖的自适应频率MPC框架，用于在地形上具有不均匀的垫脚石上的两足球运动。详细说明，我们打算使用此MPC实现双足体周期步态的自适应脚部和步态，以便在不慢下放慢速度的情况下以不连续性穿越地形。我们将这种自适应频率MPC与Kino-Dynamics轨迹优化，以实现最佳步态时期，质量中心（COM）轨迹和脚部位置。我们使用全身控制（WBC）以及自适应频率MPC来跟踪离线优化的最佳轨迹。在数值验证中，我们具有优化的自适应频率MPC框架已显示出比固定频率MPC的优势。所提出的框架可以控制两足动物的机器人，穿过具有扰动的石头高度，宽度和表面形状的不均匀的垫脚石地形，同时保持平均速度为1.5 m/s。

旨在进一步实现对机器人操纵中的影响的影响，提出了一种控制框架，其直接解决了通过跟踪机器人操纵器的控制所构成的挑战，该机器人操纵器的控制被任务执行与多个接触点相关联的名义上同时冲击。为此，我们扩展了参考展示框架，该框架利用刚性冲击图采用刚性冲击地图的扩展前和冲击后参考，在非弹性同时撞击的假设下确定。在实践中，机器人不会在冲击力矩的参考上居住;结果通常会发生不同接触点处的一系列冲击。我们的新方法通过引入额外的中间控制模式，在此上下文中扩展了参考传播。在该模式中，扭矩命令仍然基于达到撞击参考，目的是达到目标接触状态，但是禁用速度反馈，因为这可能由于快速的速度而可能是有害的。随着真实的实现，该方法是使用QP控制框架制定的，并在刚性机器人模型和具有柔性接头的现实机器人模型上使用数值模拟进行验证。

从生物力学的角度来看，秋千臂在通过更大的角动量控制空间通过更大的角动量控制空间来促进两体机器人的高度动态运动方面具有不可替代的作用。由于缺乏适当的运动控制策略，很少有双足机器人使用摇摆臂及其多个自由度的冗余特征来完美整合建模和控制。本文通过将两足机器人建模为飞轮弹簧载倒摆（F-SLIP）来提取挥杆臂的特征并使用全身控制器（WBC）来实现这些特征，并提出了建议，并提出了建议，也建议您提出，则本文提出了一种控制策略。一个评估系统，包括美国定义的敏捷性的三个方面，双皮亚机器人高度动态运动的稳定性和能耗。我们设计了几组仿真实验，并根据评估系统的紫色运动（东方紫能量上升）V1.0分析了摇臂的效果，这是一种旨在测试高爆炸性运动的两足机器人。结果表明，紫色的敏捷性增加了10％以上，稳定时间减少了两倍，并且引入挥杆臂后，能源消耗降低了20％以上。

在这封信中，我们提出了一种多功能的层次离线计划算法，以及用于敏捷四足球运动的在线控制管道。我们的离线规划师在优化降低阶模型和全身轨迹优化的质心动力学之间进行交替，以实现动力学共识。我们使用等椭圆形参数化的新型动量惰性质地优化能够通过``惯性塑造''来产生高度的杂技运动。我们的全身优化方法可显着改善基于标准DDP的方法的质量从质心层中利用反馈。对于在线控制，我们通过完整的质心动力学的线性转换开发了一种新颖的凸模型预测控制方案。我们的控制器可以在单个优化中有效地对接触力和关节加速度有效地优化，从而实现更直接的加速度，从而实现更直接的优化与现有四倍体MPC控制器相比，跟踪动量丰富的动作。我们在四个不同的动态操作中证明了我们的轨迹计划者的能力和通用性。然后，我们在MIT MINI Cheetah平台上展示了​​一个硬件实验，以证明整个计划的性能和整个计划的性能和性能扭曲的控制管道跳动。

我们提出了一种基于直接质心控制的人形机器人的运动和平衡的综合方法。我们的方法使用人形生物的五质量描述。它从机器人的所需脚部轨迹和质心参数产生全身运动。一组简化的模型用于制定一般和直观的控制定律，然后实时应用它们，以估算和调节质量位置的中心和多体惯性主轴的方向。所提出的算法的组合产生了一条伸展的步态，并具有自然的上身运动。由于仅需要6轴IMU和关节编码器才能实现，因此机器人之间的可移植性很高。我们的方法已通过类人类开放式平台对实验进行了实验验证，证明了全身运动和推动排斥能力。

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。

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.