本研究报告旨在介绍由Russell Buchanan, Tirthankar Bandyopadhyay, Marko Bjelonic, Lorenz Wellhausen, Marco Hutter和Navinda Kottege等研究者合作完成的一项原创性研究。该研究于2019年4月发表在《IEEE Robotics and Automation Letters》期刊第4卷第2期，论文标题为《面向足式机器人在受限空间导航的行走姿态自适应》。主要作者来自瑞士苏黎世联邦理工学院（ETH Zürich）的机器人系统实验室以及澳大利亚联邦科学与工业研究组织（CSIRO）的机器人与自主系统组。
这项研究隶属于机器人学领域，特别是足式机器人运动规划与控制方向。研究背景在于，多足机器人因其高度的自由度（Degrees of Freedom， DoF）本应具备通过调整身体姿态来穿越狭窄或低矮受限空间的能力，例如在废墟搜救、矿道勘探等实际应用中至关重要。然而，当时大多数常见的多足机器人平台并未充分利用这一潜力，缺少能够自主规划这种身体姿态变化的感知与规划解决方案。已有研究关注于崎岖地形下的步态适应或基于高程图的落脚点规划，但通常未充分考虑机器人身体（躯干）与环境的碰撞问题，或者采用全关节空间规划器计算量巨大，难以在线实时应用。因此，本研究的目标是开发一套能够使多足机器人自主改变身体形态以导航受限空间的方法，核心在于提出一种可变形包围盒（Deformable Bounding Box）的机器人模型抽象，并配套相应的地图构建与轨迹规划策略。
研究的详细工作流程包含几个核心步骤：模型抽象、环境感知与地图构建、轨迹优化规划，以及最终的仿真与实物实验验证。研究对象是名为“Weaver”的六足机器人，其在正常行走时高33厘米，宽82厘米。研究并未使用多样本，而是针对该特定平台进行算法开发与验证。
首先，研究提出了可变形包围盒抽象模型。为了规避对机器人全部数十个关节进行直接规划的高计算复杂度，研究者将机器人的身体简化为一个具有固定长度和高度、但可变宽度的长方体包围盒。该包围盒附着于机器人身体坐标系，其宽度的一半定义为“跨度”（Span），宽度变化反映了机器人收拢或展开腿部以改变身体宽度的能力。同时，研究假设机器人的身体高度与跨度之间存在线性关系（即降低身体时会相应增宽，收窄身体时会相应抬高），这虽然保守但极大地简化了问题。在包围盒表面定义了一系列碰撞检测点，用于后续的避障计算。通过这个抽象，机器人的身体姿态轨迹可以用一个五维向量来表示，包括三维位置、偏航角以及跨度，将规划问题从高维关节空间降至低维任务空间。
其次，为了感知环境，研究提出了机器人中心的多高程地图（Robot-Centric Multi-Elevation Map）构建方法。该方法扩展了传统的机器人中心高程图，不仅能映射地面高程，还能同时映射天花板（或上方障碍物）的高程。机器人携带的深度传感器（如Intel RealSense D435）获取点云数据。对于地图中的每个网格单元，算法将传入的高度测量值通过贝叶斯分类器（基于高斯分布假设）聚类为“地板”和“天花板”两类高程，并分别用卡尔曼滤波器进行融合更新。这种映射方式能够同时捕获地面以上的障碍物（如低矮的悬垂物）和地面本身，为后续规划提供了必要的三维环境信息。基于此多高程地图，可以生成用于碰撞检测的有符号距离场。
第三，基于上述抽象模型和环境表示，研究采用轨迹优化算法CHOMP（Covariant Hamiltonian Optimization for Motion Planning）来进行身体姿态轨迹规划。规划器被赋予一个目标点，它需要在考虑机器人可变形包围盒与环境中障碍物（由SDF表示）碰撞成本的同时，生成一条平滑的轨迹（最小化加速度）。优化过程通过函数梯度下降法迭代更新轨迹，其中梯度包含平滑性约束梯度和障碍物规避梯度。障碍物规避梯度考虑了碰撞检测点在SDF中的代价及其沿轨迹运动的曲率。通过这种方式，规划器能够自动计算出在何时、何处以及如何改变机器人的身体高度和宽度，以安全通过狭窄区域。
第四，研究通过仿真和实物实验全面验证了所提出方法的有效性。仿真实验设置了三种基本任务：穿越狭窄缝隙（Thin Gap）、通过低矮悬垂障碍（Low Overhang）和越过较高障碍（High Clearance）。通过逐渐收紧空间约束（如缝隙变窄、天花板降低），测试了算法在不同难度下的成功率和姿态适应程度。性能评估部分将所提框架与全关节空间规划器（接触动态路线图， Contact Dynamic Roadmaps）在相同越障任务上进行了对比，主要比较了计算时间。实物实验则在真实的六足机器人Weaver上进行，在一个可调节的测试隧道内成功演示了穿越70厘米宽缝隙、通过25厘米高悬垂障碍和越过22厘米高障碍的能力。此外，研究还在昆士兰大学实验矿井（UQEM）的真实地下隧道中进行了实地测试，机器人成功在宽度仅65厘米的狭窄通道中调整姿态，到达了3米外的目标点。
研究的主要结果如下：在仿真中，机器人能够在三种任务中实现超过60%的姿态适应度（基于其最大可能变形范围的百分比），并成功导航。例如，在低矮悬垂任务中，机器人身体能从正常高度降低以通过障碍；在狭窄缝隙任务中，它能收窄身体宽度。性能对比结果显示，所提出的框架将规划维度从四足机器人的18维或六足机器人的36维降低到仅5维，从而将规划时间缩短了1到2个数量级，所有姿态适应路径的规划时间均在0.5秒以内，具备了在线实时应用的潜力。在实物测试中，Weaver机器人成功完成了所有设定任务，并完整通过了一个组合障碍赛道。实地矿井试验进一步证明了该方法在真实、非结构化狭窄环境中的鲁棒性和实用性。
研究的结论是，成功创建了一个快速可靠的运动规划框架，使足式机器人能够自主导航受限空间。其核心贡献在于引入了可变形包围盒作为机器人模型的抽象，这一抽象极大地简化了在开放和受限空间中的规划复杂性，使得能够高效解决具有挑战性的导航问题。同时，提出的机器人中心多高程地图能够有效构建机器人周围环境的3D表示。尽管使用了CHOMP进行轨迹优化，但该抽象方法具有通用性，可与其他规划器结合使用。
本研究的亮点在于：1. 方法创新性：首次提出了针对多足机器人的“可变形包围盒”抽象概念，并配套完整的感知-规划-控制实现流程，实现了身体姿态自适应的自主规划，填补了该领域的空白。2. 实用性与高效性：通过降维处理，将高维、复杂的全身运动规划问题转化为一个低维、高效的轨迹优化问题，计算速度相比传统方法有数量级提升，适合在线运行。3. 系统集成与验证全面性：不仅进行了详细的仿真分析，还在真实的机器人平台上完成了多种受限场景的测试，并最终在真实的矿井隧道环境中成功演示，证明了其工程实用价值。4. 感知方法的拓展：将机器人中心高程图扩展为同时包含地板和天花板信息的“多高程地图”，为在复杂三维空间（特别是包含顶部障碍物）中的导航提供了有效的环境表征。
其他有价值的内容包括对算法局限性的讨论，例如当前方法未规划腿部摆动轨迹，因此在非常狭窄的空间中，因腿部摆动增加的额外宽度可能导致碰撞，研究中通过添加固定的“跨度偏移”来保守处理，但这限制了可计划的变形范围。此外，改变姿态（尤其是收窄身体）会影响机器人的支撑多边形，可能降低稳定性，未来需要更复杂的控制器来应对。这些都为后续研究指明了方向，例如未来工作可以集成腿部摆动规划器，并针对不同机器人形态探索更合适的抽象和变形模型。