作者及机构
本文由Yanan Fan、Zhongcai Pei、Chen Wang、Meng Li、Zhiyong Tang和Qinghua Liu*(通讯作者)合作完成,作者均来自北京航空航天大学自动化科学与电气工程学院(School of Automation Science and Electrical Engineering, Beihang University)。论文发表于2024年的《Advanced Intelligent Systems》期刊(DOI: 10.1002/aisy.202300783),是一篇开放获取(Open Access)的综述文章。
研究背景与主题
四足机器人因其在复杂或危险环境(如核电站、反恐作战、地下矿井)中的替代人类能力而备受关注。与轮式或履带式机器人相比,四足机器人通过离散的落脚点实现更强的地形适应性,但其结构设计、运动速度、负载能力仍落后于生物原型。本文系统回顾了四足机器人在结构设计、步态规划、传统与智能控制策略以及自主运动等关键技术领域的研究进展,重点分析了智能化与技术创新趋势,旨在为后续研究提供理论支持与技术指导。
四足机器人的结构设计直接影响其运动性能与环境适应性。文章将结构分为驱动模式、躯干结构、腿部结构和足部结构四类:
- 驱动模式:
- 液压驱动(Hydraulic Drive):以波士顿动力的BigDog为代表,具有高功率密度和负载能力(如BigDog可承载153kg),但存在重量大、噪音高的问题。中国开发的SCalf和“小象”机器人实现了高速小跑步态(Trot)和多种地形行走。
- 电机驱动(Motor Drive):如MIT的MiniCheetah和ETH Zürich的ANYmal,具有体积小、控制便捷的优势,但负载能力较低(如ANYmal负载15kg)。
- 气动驱动(Pneumatic Drive):成本低但控制精度不足,目前仅用于小型机器人(如Kim等开发的基于折纸泵的执行器)。
- 躯干结构:分为刚性躯干(如MIT Cheetah 2)和柔性躯干(如仿生脊柱的Bobcat机器人)。柔性躯干通过增加自由度(DOF)或弹簧结构提升运动速度与能量利用率,但建模复杂度较高。
- 腿部结构:包括连杆式(Linkage Leg)(如串联结构的ANYmal)和缩放式(Scaled Leg)(如Cheetah Cub的弹簧缩放机制)。连杆式结构可实现多样化足端轨迹,而缩放式通过动态调整腿长适应地形。
- 足部结构:球形足(如ANYmal)适应性更强,但新型仿生足(如仿蜥蜴的粘附机制)可进一步提升复杂地形通过能力。
支持案例:
- 意大利理工学院(IIT)的HYQ系列机器人通过液压-电动混合驱动实现了高动态性能(如单腿跳跃)。
- 浙江大学“绝影”机器人采用电机驱动,实现了奔跑、爬梯等动态步态。
四足机器人的控制方法分为模型无关控制(如中枢模式发生器CPG)和模型依赖控制(如基于ZMP的规划):
- CPG(Central Pattern Generator):通过振荡信号生成周期性步态,但依赖预设参数,难以应对复杂地形。Liu等将CPG输出映射到3D工作空间,使机器人适应斜坡和楼梯。
- SLIP(Spring-Loaded Inverted Pendulum):简化模型用于动态步态(如MIT Cheetah的跳跃控制),但无法直接调整步频。
- ZMP(Zero Moment Point):基于支撑多边形稳定性准则,适用于低速行走,但动态性能受限。
- MPC(Model Predictive Control):通过优化地面反力实现高速运动(如ANYmal的飞驰步态Flying Trot)。
创新方法:
- 深度强化学习(DRL)与CPG结合(如Wang等的研究),提升了抗干扰能力。
- 波士顿动力的SpotMini通过视觉方案生成全局地图,实现楼梯攀爬。
自主运动依赖路径规划和地形识别:
- 路径规划:
- 传统算法:如人工势场法(应对动态障碍)、RRT*(快速探索随机树)用于高维空间搜索。
- 智能算法:蚁群算法(ACO)通过信息素更新优化路径,但收敛速度慢;DRL(如Deep Q-Network)在未知环境中表现优异。
- 地形识别:
- 基于点云(LiDAR)的方法:如Meng等通过3D点云检测坡度,调整步态。
- 基于振动的方法:通过惯性传感器分类地形(如Brooks的SVM分类器准确率达94%)。
应用案例:
- BigDog在军事场景中通过A*算法规划路径,完成物资运输。
- Unitree的机器人用于工厂巡检,结合视觉与力觉传感器识别地形。
(注:本文未包含实验流程与数据细节,因原文为综述类型,侧重观点整合与趋势分析。)