← 返回论文列表

MUJICA：面向轮腿机器人的多技能统一关节集成控制架构
MUJICA: Multi-skill Unified Joint Integration of Control Architecture for Wheeled-Legged Robots

作者: Yuqi Li, Peng Zhai, Yueqi Zhang 等8人
arXiv: 2605.13058v1
分类: cs.RO
📝 论文摘要
轮腿机器人有望在复杂地形中穿行，并相较于足式机器人提供更强的机动性。然而，轮腿机器人必须有效平衡轮式驱动与腿式控制。此外，由于本体感知的噪声干扰及现实世界中的电机约束，在电机峰值性能下实现鲁棒且自适应的运动仍具挑战。我们提出多技能统一联合集成控制架构（MUJICA），这是一个面向轮腿机器人的统一全本体感知控制框架，将多项低级技能（包括全向移动、高台攀爬和跌倒恢复）集成于单一策略中。所有技能通过独特的指示变量区分，并结合精确的直流电机约束建模进行联合训练。此外，我们还学习了一个高级技能选择器，使其仅基于本体感知动态选择最优技能，从而实现对周围环境的自适应响应。因此，MUJICA增强了仿真到现实的鲁棒性，实现了不同运动模式间的无缝切换，并促进了机器人对环境变化的自主调节。我们在宇树Go2-W机器人上通过仿真和真实实验验证了该框架，结果表明其在非结构化环境中的适应性和任务成功率显著提升。

📊 核心分析

🎯 研究动机
- 轮腿机器人需要有效平衡**轮式驱动(wheeled driving)** 与**腿部控制(legged control)**，现有方法难以同时优化 - 由于**噪声本体感觉(noisy proprioceptive sensing)** 和**真实电机约束(real-world motor constraints)**，实现电机峰值性能下的鲁棒自适应运动具有挑战 - 旨在解决多技能统一集成问题，使机器人能够自主适应复杂非结构化环境
🔧 核心方法
- 提出**MUJICA** 框架，一个统一的全本体感觉控制策略，集成多种低级技能（如**全向移动(omnidirectional moving)**、**高台攀爬(high platform climbing)**、**摔倒恢复(fall recovery)**） - 不同技能通过**唯一指示变量(unique indicator variables)** 区分，并联合训练，同时引入**精确DC电机约束建模(accurate DC-motor constraint modeling)** - 学习一个**高级技能选择器(high-level skill selector)**，仅基于本体感觉动态选择最优技能，实现自适应环境响应
💡 核心创新
- **统一集成**：首次将多种多样化低级技能（移动、攀爬、恢复）整合于单一策略，无需分阶段训练或手工切换 - **电机约束建模**：在训练中准确建模DC电机约束，增强**仿真到现实(sim-to-real)** 鲁棒性 - **自适应技能选择**：高级技能选择器完全依赖本体感觉，实现无缝在线切换，突破传统预定义技能序列的局限
🏆 总体贡献
- 为轮腿机器人提供了一种新颖的统一控制范式，显著提升在非结构化环境中的适应性和任务成功率 - 在**Unitree Go2-W** 机器人上通过仿真和真实实验验证，证明了方法的有效性和鲁棒性 - 开源框架促进后续研究，为复杂地形下的自主移动机器人控制奠定基础