关于四足机器人

四足机器人是足式机器人中研究和应用都较为活跃的一类。它的运动表现很直观：行走、奔跑、上下楼梯、跨越障碍；但这些动作背后同时涉及机械结构、关节执行器、传感器、嵌入式系统、运动控制、状态估计、仿真、强化学习、感知与导航等多个方向。

本文面向刚进入以及有意向进入 ROBOCON 四足组的新成员，不要求读者已经系统学习机器人学、控制理论或强化学习。文章不展开数学推导和算法实现，而是帮助读者先建立一张领域地图：四足机器人是什么，为什么需要它，为什么难以控制，这个领域如何发展到今天，以及现代四足机器人主要在研究什么。

1. 足式机器人的应用背景

移动方式对比示意图

移动机器人首先要解决的问题，是如何在现实环境中从一个位置到达另一个位置。

轮式机器人结构相对简单，在连续、平整的地面上通常具有较高的效率和速度。履带可以扩大接触面积，对松软地面和一定程度的不平整地形具有较好的适应性。只要工作环境允许，轮式或履带式方案往往比足式方案更经济、更可靠。

足式机器人的优势主要出现在地面不连续、落脚区域有限或高差明显的环境中，例如：

• 楼梯、台阶、门槛和沟槽；
• 碎石、废墟、山地和松软地面；
• 管线密集的工业现场；
• 为人设计、但不适合普通轮式底盘连续滚动的狭窄通道。

腿与地面的接触通常是离散的。机器人可以抬起足端，选择新的接触位置，并通过腿部伸缩调整机身高度和姿态。这使足式机器人能够避开局部不可通行区域，跨越一定范围的障碍，并在复杂地形上维持支撑。

这些能力并不意味着腿在所有场景中都优于轮子。增加腿部机构也会增加关节数量、控制难度、能耗、成本和维护工作。足式机器人的价值，是在轮式或履带式平台难以稳定工作的环境中提供另一种移动方式。

工业巡检、应急探索和科研实验是常见应用方向。例如，ANYmal 和 Spot 等平台已经被用于楼梯、设备层和不平整地面上的巡检任务。实际部署还要求机器人具备可靠的感知、定位、任务规划、通信和安全机制，能够行走只是完整系统的一部分。

ANYmal 在工业设施中巡检

2. 四足构型及其基本特征

2.1 四足机器人的定义

四足机器人（Quadrupedal Robot）是以四条腿作为主要支撑和移动机构的足式机器人。“机器狗”是常见的通俗称呼，但工程中的四足机器人并不一定模仿犬类，也可能参考猫、马等动物，或者完全按照机械与控制需求设计。

生物启发通常体现在腿的分段、关节布局、弹性利用和步态组织等方面。真实动物依靠肌肉、肌腱和复杂的神经系统运动，而工程平台常采用电机、减速器、刚性连杆、传感器和数字控制器。因此，四足机器人可以具有串联腿、并联腿、点式足端或带主动轮的足端；“四足”描述的是基本移动构型，并不限定某一种机械方案。

2.2 足端支撑与稳定性

机器人有多个足端与地面接触时，可以根据有效接触点或接触区域构造支撑区域（Support Region）。在平坦地面、接触不滑动且运动足够缓慢时，常用各接触点凸包形成的 支撑多边形（Support Polygon） 进行近似分析：质心在地面上的投影位于支撑多边形内部并留有一定裕度时，机器人通常更容易保持准静态稳定。

这个判断有明确的适用条件。足端具有面积、地面不平、摩擦不足或接触点位于不同高度时，简单的二维支撑多边形只能作为近似；高速运动中，惯性、地面反作用力和角动量同样重要，不能仅凭质心投影判断机器人是否稳定。

四足机器人在慢速行走时可以让三条腿支撑、另一条腿摆动。与双足相比，它能在移动一条腿时保留更多支撑点；与六足、八足相比，它使用更少的重复机构。四足构型因此在地形适应性、动态运动能力和系统复杂度之间形成了常见的工程折中，但并不存在“腿越多越先进”的简单关系。

双足 / 四足 / 六足构型比较

2.3 自由度与典型关节布局

现代串联式四足机器人常见每条腿具有三个主动关节：

• 髋关节外展/内收（Hip Abduction/Adduction），主要控制腿向机身外侧或内侧摆动；
• 髋关节屈伸（Hip Flexion/Extension），主要控制大腿前后摆动；
• 膝关节屈伸（Knee Flexion/Extension），主要改变腿长和足端位置。

四条腿各有三个主动关节时，整机具有典型的 12 个主动关节自由度：

$$4 \times 3 = 12$$

这里的 12 个自由度只统计主动关节，不包含机身在空间中的位置和姿态。ROBOCON 中也存在每条腿两个主动自由度的并联机构、足端带主动轮的轮足构型，以及根据任务加入其他执行机构的方案。不同结构服务于不同的比赛任务和工程约束。

2.4 常见步态

步态（Gait）描述各条腿支撑相与摆动相之间的时序关系。常见名称包括：

• 行走（Walk）：各腿依次摆动，通常保留较多支撑足；
• 小跑（Trot）：两条对角腿成对运动；
• 侧对步（Pace）：同一侧的两条腿成对运动；
• 前后跃步（Bound 或 Bounding）：两条前腿和两条后腿分别成对运动，动态运动中可以出现腾空阶段。

“奔跑”是更宽泛的运动状态，不对应唯一一种四足步态。步态名称主要描述腿之间的协调方式；同一种步态也可以因速度、占空比和是否存在腾空阶段而表现不同。

四足典型步态示意图

3. 四足机器人的基本组成

一台现代四足机器人可以看成机械、电气和软件共同构成的闭环系统：传感器提供测量，计算平台估计状态并产生控制指令，驱动器和执行器改变关节运动，新的运动状态再被传感器观测。

3.1 机械本体与腿部机构

机械本体包括机身、腿部连杆、关节、足端、连接件和防护结构。对软件成员而言，不需要在本文中学习具体的机械设计方法，但需要理解以下信息，因为它们直接决定控制程序的输入、输出和约束：

• 关节轴方向、零位、正方向和运动范围；
• 连杆长度、质量分布和整机质心；
• 足端几何尺寸与接触形式；
• 关节最大速度、可用转矩和结构承载范围；
• 线束、传感器和附加载荷对运动的影响。

串联机构（Serial Mechanism）的关节沿运动链依次连接，运动学关系较直观，工作空间通常较大。并联机构（Parallel Mechanism）通过多条运动链共同约束足端，可能在刚度、质量分布或特定方向的受力能力上具有优势，但其运动学、装配和标定也可能更复杂。具体优劣取决于机构、材料、执行器和任务，不能只根据“串联”或“并联”作出结论。

串联腿腿部结构示意图

3.2 关节执行器与传动系统

关节执行器将电能或液压能转换为机械运动。现代中小型四足平台多采用电驱关节；BigDog 等早期高性能野外平台采用过液压驱动。两种路线在功率密度、噪声、维护、效率和系统复杂度上各有取舍。

电驱关节通常包含电机、驱动器、减速或传动机构、编码器和机械输出端。编码器测量转子或关节位置，速度往往由测量或差分估计得到；驱动器负责电流环、速度环或位置环中的部分底层控制。

在一定工作范围内，电机相电流与电磁转矩可以通过转矩常数建立关系。但从驱动器电流推断关节输出转矩，还需要考虑电流测量、控制方式、传动比、摩擦、效率和温度等因素。因此，只能在满足模型和标定条件时用电流估计转矩或负载，不能将两者简单等同。

传动方案会影响输出转矩、速度、摩擦、反射惯量、冲击响应和可反驱性（Backdrivability）。较低减速比和准直驱（Quasi-Direct Drive，QDD）常用于获得较低机械阻抗和较好的力控制能力，但这会对电机转矩密度和散热提出更高要求。较高减速比的适用性取决于载荷、速度、传动形式和控制目标。

串联弹性执行器（Series Elastic Actuator，SEA）在传动链中有意加入弹性元件，可以缓冲冲击，并可根据弹性元件形变估计输出力或转矩。SEA、QDD 和普通减速关节是不同的设计思路。

四足机器人关节执行器示意图

3.3 传感器与状态信息

机器人控制需要两类信息。

本体感知（Proprioception） 描述机器人自身状态，常见来源包括：

• 关节编码器：关节位置以及由此得到的速度；
• 惯性测量单元（Inertial Measurement Unit，IMU）：通常直接测量角速度和比力；加速度计的原始输出不能直接作为世界坐标中的线加速度，部分设备在内部融合后还会输出姿态估计；
• 电机和驱动器状态：电流、电压、温度、故障码等；
• 足端或关节力传感器：只在部分平台上配置；
• 接触状态：可以由专用传感器测量，也可以结合运动学、驱动信息和状态估计算法推断。

IMU 不能单独直接给出可靠的世界坐标位置和速度。机身姿态、速度、位置、足端接触状态等通常属于需要融合多种测量得到的 估计量 。估计结果会受到噪声、偏置、振动、打滑和模型误差影响。

外部感知（Exteroception） 描述周围环境，常见传感器包括相机、深度相机和激光雷达（LiDAR）。它们可以用于识别障碍、构建局部高度图或点云、定位、建图和导航。高度图是地形的一种表示方式，不是四足运动控制的必需输入；仅依靠本体感知的机器人也可以完成许多运动任务，但难以提前利用前方地形信息。

3.4 计算、通信、能源与安全

计算系统通常具有不同实时性层级：

• 驱动器或微控制器执行电流、速度、位置等底层闭环；
• 实时控制程序执行状态估计、关节控制和运动策略；
• 上位计算平台运行感知、定位、导航、任务逻辑和数据记录。

具体平台可能把这些任务合并到一台计算机，也可能分布在多个控制器上。CAN、EtherCAT、串口和以太网等通信接口承担不同规模和实时性的数据交换。机器人操作系统 2（Robot Operating System 2，ROS 2）可以用于组织较高层的软件模块与消息通信，但并不是四足机器人运行的必要条件，也不等同于底层实时控制系统。

电池、配电、急停、限位、温度和电流保护同样属于机器人系统。实机测试时，软件必须尊重机械、电气和场地安全边界。四足组的软件成员不负责完整的机械和硬件设计，但需要理解接口、故障状态和安全约束，才能进行可靠部署与调试。

四足机器人系统架构示意图

4. 四足机器人运动控制的基本问题

四足机器人运动控制的核心，不是单独让十二个关节重复某组角度，而是根据机器人状态和任务目标，持续协调机身、腿部与足地接触，使系统在扰动和模型误差存在时仍能完成运动。

4.1 浮动基座与欠驱动系统

固定在地面的机械臂具有明确的基座；四足机器人的机身通常没有与世界固定连接，因此属于 浮动基座系统（Floating-Base System） 。除主动关节外，机身还具有三个平移和三个转动自由度。

电机只能直接驱动关节，不能直接给机身在世界坐标中的六个自由度施加独立控制输入。机器人需要在支撑阶段通过足端与地面的相互作用，间接改变机身的运动；摆动腿则需要移动到下一处合适的接触位置。由于浮动基座自由度不被直接驱动，腿式机器人通常被描述为欠驱动系统，但可控制程度还会随当前接触约束而变化。

4.2 运动学、Jacobian 与动力学

运动学描述机器人各部分位置和速度之间的几何关系。

• 正运动学（Forward Kinematics）根据关节角计算足端或其他部件的位置；
• 逆运动学（Inverse Kinematics）根据期望足端位置求取可行关节角；
• Jacobian 描述关节速度与足端速度之间的局部关系，也可用于联系足端力与关节转矩。

动力学进一步考虑质量、惯性、重力、关节转矩和外力，用来描述机器人为何产生某种加速度和受力响应。运动学回答“几何上如何到达”，动力学回答“在质量、作用力和接触约束下如何运动”。全身控制（Whole-Body Control，WBC）、模型预测控制（Model Predictive Control，MPC）和强化学习策略可能使用不同形式的模型，但底层关节定义、坐标系和传感器标定始终是共同基础。

4.3 足地接触与步态组织

一条腿接触地面并承担支撑作用的阶段称为支撑相（Stance Phase）；足端离地并移动到下一落脚位置的阶段称为摆动相（Swing Phase）。四条腿的相位关系构成步态。

足地接触是四足控制中的主要困难之一：

• 接触建立或解除时，系统约束会改变；
• 落脚位置影响后续支撑关系和机身运动；
• 多足支撑时，各腿承担的地面反作用力通常并不相同；
• 落地会产生冲击，实际接触时刻也可能早于或晚于计划；
• 摩擦不足、松软地面、足端打滑和地形误差会破坏理想接触假设。

机器人因此不能只依赖固定关节轨迹。预设轨迹可以作为参考，但实际系统通常还需要传感器反馈、状态估计和闭环修正。

4.4 静态稳定与动态稳定

静态稳定关注机器人在运动很慢、惯性影响可以忽略时，能否依靠当前支撑关系保持平衡。动态稳定则需要同时考虑速度、加速度、地面反作用力、角动量和未来接触变化。

在 Trot 等步态中，机器人可能主要依靠一对对角腿支撑；在跳跃或部分高速步态中，还会出现没有足端接触地面的腾空阶段。此时不存在可供静态判断的支撑多边形。机器人需要在支撑阶段产生合适的地面反作用力，在腾空阶段调整各部分相对姿态，并为下一次落地准备足端位置和机身姿态。

四足机器人跳跃阶段示意图

4.5 状态估计

控制器需要知道机身姿态、角速度、速度、位置、关节状态和足端接触等信息，但这些状态并不都能被单个传感器直接、无误差地测量。状态估计（State Estimation）通过融合 IMU、编码器、接触约束以及视觉或 LiDAR 信息，对控制所需状态进行实时推断。

卡尔曼滤波（Kalman Filter）及其扩展形式是常见工具之一，其作用是结合系统模型与带噪测量更新状态估计。本文不展开滤波算法；对初学者更重要的是理解：控制器使用的“机器人状态”通常是测量与估计的组合，而估计质量会直接影响运动控制。

足端接触在不打滑时可以提供相对运动约束，但接触判断错误或足端滑动会使该约束失效。外部感知可以补充长期位置和环境信息，也会引入遮挡、延迟和测量失效问题。

四足机器人状态估计信息流

4.6 模型误差与 Sim-to-Real

真实机器人与设计模型或仿真模型之间始终存在差异，常见来源包括：

• 质量、质心、惯量和连杆尺寸误差；
• 电机能力、摩擦、齿隙、柔性、温升和电池电压变化；
• 传感器噪声、偏置、安装误差和通信延迟；
• 地面摩擦、刚度、形变和接触模型差异；
• 控制周期抖动、丢包、结构磨损和装配差异。

这种仿真与现实之间的差异通常称为现实差距（Reality Gap）。从仿真中开发或训练的控制器部署到真实机器人上的过程称为 Sim-to-Real。系统辨识、参数标定、闭环反馈、鲁棒控制、执行器建模和域随机化（Domain Randomization）都可以用于减小迁移风险。

域随机化是在训练中主动改变质量、摩擦、电机强度、延迟、噪声或地形等参数，使策略不要只适应一个固定的理想模型。它能提高策略对变化的适应性，但不能保证实机成功。任何仿真结果都仍需经过限幅、急停、低风险工况和逐步放开的实机验证。

Reality Gap 与 Sim-to-Real

5. 四足机器人的发展历程

本节只选取与现代四足机器人技术路线关系较紧密的节点。机器人发展并不是一条由单一团队推动的直线时间轴，不同实验室长期并行研究机械结构、动态平衡、执行器、模型控制、学习控制和自主系统。

5.1 早期四足步行研究

早期足式机器人研究常以缓慢、可预测的步行为目标。控制器规划足端轨迹，并尽量让机器人在运动过程中保持准静态稳定。这类工作建立了腿部机构、步态生成、地形适应和分层控制等基础。

Shigeo Hirose（广濑茂男）团队在这一阶段开展了持续的四足步行机器人研究。1984 年论文 A Study of Design and Control of a Quadruped Walking Vehicle 系统讨论了腿部机构、能量效率、触觉信息和地形适应步态，并报告了四足步行样机。它适合作为早期四足步行研究的代表，但不应据此把所有相关概念归因于单一团队。

Hirose 团队的早期四足机器人

5.2 动态平衡与 MIT Leg Lab

20 世纪 80 年代，Marc Raibert 领导的 Leg Laboratory 先后在 Carnegie Mellon University（CMU）和 Massachusetts Institute of Technology（MIT）研究动态腿式运动。早期单腿跳跃机器人将问题集中到离地、落地和主动平衡上，表明机器人可以不经过一系列完全静止的姿态，而是在连续运动中维持可控状态。

MIT Leg Lab 的四足机器人在 1984—1987 年用于研究四足奔跑，并实现了 Trot、Pace 和 Bound 及其转换。团队把成对运动的腿组织为“虚拟双足”问题，将单腿跳跃中形成的控制思想扩展到四足系统。这些工作对后来理解动态平衡、步态协调和简化模型产生了长期影响。

MIT Leg Lab 四足机器人

5.3 BigDog 与复杂地形系统工程

Boston Dynamics 由 Marc Raibert 于 1992 年从 MIT Leg Lab 相关研究基础上创办。公司官方时间线把 2004 年的 BigDog 描述为其首个离开实验室、进入真实地形测试的足式机器人；DARPA 则将项目背景定位为复杂地形运输平台研究。

BigDog 使用液压驱动，将动态平衡、机载计算、关节与接触传感、通信和一定程度的导航集成为完整系统。DARPA 公开资料记录了它在斜坡、碎石、泥地、雪地和水中进行演示的能力。BigDog 的意义不仅在于某个步态，而在于展示了四足机器人在不可预先精确建模的野外环境中持续反馈、承受扰动并维持运动的系统工程能力。

Boston Dynamics BigDog

5.4 电驱平台与可控关节的发展

液压系统能够提供较高功率密度，但也带来噪声、维护和系统复杂度。随着电机、驱动器、电池和传动设计进步，电驱四足逐渐成为研究和产品平台的重要路线。

MIT Cheetah 的代表性贡献之一，是围绕高转矩密度电机、单级低减速比传动、低腿部惯量和能量回收设计高性能电驱系统。这里的重点不是“减速比越低越好”，而是根据高速动态接触需求平衡转矩密度、效率、机械阻抗、冲击和可反驱性。

MIT Cheetah

ETH Zurich 的 StarlETH 使用串联弹性执行器研究柔顺、力控和动态运动；后续 ANYmal 进一步把电驱四足与状态估计、运动控制、感知和自主巡检结合起来。MIT Mini Cheetah 则通过小型模块化关节和相对开放的研究生态，降低了高动态四足实验的规模与成本。

ETH Zurich StarlETH

ETH Zurich ANYmal

MIT Mini Cheetah

Boston Dynamics 在 2015 年公开 Spot Classic，并在后续发展出面向工业应用的 Spot。中国团队和企业也推动了电驱四足平台的普及。Unitree 的官方资料记录了从 XDog 原型到 Laikago、Aliengo、A1、Go1 等平台的发展。这些平台降低了高校和开发者获得整机、关节和软件接口的门槛，但各产品的能力、开放程度和适用任务仍需分别评估。

Boston Dynamics Spot Classic

Unitree A1

5.5 模型控制方法

现代模型控制通常把多个层次组合起来：

• 运动学根据机身与足端目标生成几何关系；
• 步态和落脚规划决定何时、在哪里建立接触；
• 动力学方法计算满足机身运动和接触约束所需的作用力；
• WBC 协调机身、支撑腿和摆动腿等多个任务；
• MPC 在有限预测范围内滚动优化未来状态和控制量。

这些名称并不对应一套固定的软件架构，也不会脱离状态估计、接触判断和底层关节控制单独工作。模型控制的优势是能够显式利用结构和约束；其效果也依赖模型、估计状态和接触信息的质量。

5.6 强化学习与 Sim-to-Real

强化学习（Reinforcement Learning，RL）让策略通过与环境交互，根据奖励信号改进决策。在四足运动控制中，策略通常把机器人观测（Observation）映射为动作（Action），奖励（Reward）用于描述速度跟踪、稳定、能耗、足端行为等训练目标。近端策略优化（Proximal Policy Optimization，PPO）是常见算法之一，但本文不展开其更新过程。

真实机器人难以承受训练所需的大量试错，因此策略通常在物理仿真中训练，再通过 Sim-to-Real 部署。2018 年 Tan 等人的工作展示了面向四足敏捷运动的仿真训练与实机迁移；2019 年 Hwangbo 等人在 ANYmal 上展示了仿真训练的动态技能；之后的研究进一步推进复杂地形、快速并行训练和感知运动。

强化学习并没有取代运动学、状态估计、通信、低层控制和安全系统。实际平台常将学习策略与传统控制模块组合，也有研究把模型信息、优化方法和学习方法结合起来。训练成功只说明策略适应了训练分布；泛化能力和实机可靠性必须通过额外测试确认。

5.7 感知运动与自主系统

只使用关节和 IMU 等本体信息时，机器人通常要在接触后才能确认地形变化。相机和 LiDAR 可以让机器人提前获得前方几何信息，用于高度图、可通行区域判断、落脚规划或策略输入。

外部感知并不总是可靠。积雪、植被、水面、玻璃、反光表面、灰尘、雾气和遮挡都可能造成深度错误或缺失。现代感知运动研究因此关注本体感知与外部感知融合，以及感知退化时的安全行为。再向上，定位、建图、路径规划和任务管理把局部运动能力组织成自主移动系统。

ANYmal 在不同地形中的运动

6. 现代四足机器人的主要能力与研究方向

6.1 复杂地形与高动态运动

复杂地形运动仍是四足研究的核心方向，包括台阶、楼梯、斜坡、碎石、狭窄落脚区、低摩擦和可变形地面。评价不仅是“是否通过”，还包括速度、能耗、冲击、鲁棒性和重复成功率。

高动态运动研究跑动、跳跃、快速转向、翻越和扰动恢复。演示动作可以验证执行器与控制极限，但实际任务更重视在不确定环境中反复、安全地完成动作。

6.2 感知、定位与导航

感知运动关注机器人如何根据局部地形调整步态和落脚；定位与导航关注机器人在更大范围内估计自身位置、建立或使用地图并到达目标。同步定位与建图（Simultaneous Localization and Mapping，SLAM）是其中一类技术，但完整导航系统还包括传感器标定、坐标变换、路径规划、避障、行为管理和故障处理。

6.3 轮足运动

轮足机器人（Wheeled-Legged Robot）在腿端加入主动轮。平坦地面上可以利用滚动效率，在障碍和高差处利用腿调整姿态、跨越或重新分配支撑。它仍然属于足式机器人，需要处理轮地接触、腿轮协调、模式切换和动态稳定。

在 ROBOCON 足式赛道中，点式足和轮足平台可能根据赛题承担不同任务。构型选择应服务于规则、场地和可靠性，而不应被理解为两类互不相关的机器人。

6.4 移动操作

四足平台搭载机械臂或其他执行机构后，可以在到达目标位置后完成抓取、按压、搬运或赛题规定的操作任务。这类系统通常称为移动操作（Mobile Manipulation）。

机械臂动作会改变整机质心和受力，操作产生的外力也会传递到底盘，因此移动与操作可能需要协调。对四足组软件成员而言，重点是理解机械臂状态与控制接口、任务逻辑以及与底盘和感知模块的集成；具体机械结构和硬件设计由队内对应方向成员主要负责。

6.5 自主任务与系统集成

完整任务通常包含环境感知、定位、路径规划、运动控制、任务状态机、通信、日志和安全管理。现代四足机器人的研究重点正在从单一动作扩展到多模块协作、长时间运行和真实场景中的异常处理。

这也是 ROBOCON 项目训练的重要价值：比赛不仅检验某个算法能否运行，还检验接口、时间同步、场地适应、调试流程和团队协作能否共同支撑稳定结果。

7. 当前局限与发展趋势

7.1 可靠性与泛化

实验视频中的一次成功不能代表长期可靠。地面摩擦、载荷、电池状态、温度、传感器质量和机械磨损都会改变系统表现。控制器还可能在训练或测试未覆盖的地形上失效。如何描述不确定性、发现异常并安全降级，是从研究演示走向实际应用的关键问题。

7.2 能源与持续运行

腿式运动需要频繁加速关节并承受冲击，能耗通常高于平整地面上的轮式移动。以单位重量单位距离的能量消耗（Cost of Transport，CoT）衡量，MIT Cheetah 以 6 m/s 高速小跑时的 CoT 为 0.5，接近同体型奔跑动物的水平，而 ASIMO、BigDog 等早期平台显著更高（Seok 等，2015）。电池质量又会增加负载，执行器效率、步态、热管理、载荷和任务规划共同决定续航，不能只靠增加电池解决。

7.3 感知与自主安全

外部传感器在光照、天气、遮挡和反射条件下可能失效；本体状态估计也会受到滑动和冲击影响。机器人需要知道信息何时不可靠，并在定位丢失、地图变化、通信中断或执行器异常时进入可控状态。

7.4 工程成本与可维护性

四足机器人包含大量运动关节、传感器和实时软件，标定、测试、维修和数据管理成本较高。例如 MIT Mini Cheetah 以 12 个相同的模块化关节和低成本的易更换设计来压低维修成本；即便如此，更换腿部或关节后仍需重新标定零位并回归测试。模块化硬件、标准化接口、自动测试、可追溯日志和仿真回放，将与新算法同样影响平台能否长期使用。

7.5 方法融合与任务扩展

模型控制与学习方法仍在相互吸收：模型可以提供结构、约束和安全边界，学习可以处理难以精确建模的部分或生成复杂技能。感知、运动、导航和操作也在从分立模块走向更紧密的协同。但能力融合会扩大系统验证范围，并不自动带来可靠性提升——以 ANYmal 为例，从实验室的速度跟踪到野外感知运动（Miki 等，2022）再到 Parkour（Hoeller 等，2024），每增加一层能力都扩大了需要验证的地形范围与失效模式。

8. 总结与后续学习

四足机器人利用离散足端接触进入楼梯、碎石、障碍和其他不连续地形，同时也承担了比普通移动底盘更复杂的机械、感知和控制问题。理解四足机器人时，需要把它看成一个持续闭环运行的机电系统。

从早期准静态步行、Raibert 团队的动态平衡研究，到 BigDog 的复杂地形系统工程，再到电驱关节、模型控制、强化学习和感知运动的发展，技术重点逐渐从“能够移动”扩展到“在未知环境中可靠、自主地完成任务”。

对西安交通大学 ROBOCON 机器人队四足组的新成员而言，后续学习将主要围绕软件与算法展开：

• 四足强化学习训练与物理仿真；
• Sim-to-Real、策略推理、实机部署与调试；
• 机器人通信、状态估计和底层控制接口；
• 定位、导航与环境感知；
• 根据赛题需要进行机械臂或其他执行机构的软件控制与系统集成。

软件成员仍需理解机械、电机、传感器、供电和安全的基本概念，但本文不把这些内容扩展为机械或硬件设计教程。接下来可以从入门学习概览选择具体方向，并在独立章节中学习运动学、控制、强化学习、仿真和部署方法。

参考资料与延伸阅读

以下资料用于核查本文中的历史节点和技术背景。论文、实验室页面和官方项目资料优先用于事实核查；产品页面中的能力描述仍应结合测试条件理解。

历史与平台

• Shigeo Hirose, A Study of Design and Control of a Quadruped Walking Vehicle, 1984.
• MIT Leg Laboratory, Quadruped (1984–1987).
• M. H. Raibert, M. Chepponis, H. B. Brown, Running on Four Legs As Though They Were One, 1986.
• MIT Press, Legged Robots That Balance.
• DARPA, BigDog.
• Boston Dynamics, History and Legacy.
• S. Seok et al., Design Principles for Energy-Efficient Legged Locomotion and Implementation on the MIT Cheetah Robot, 2015.
• ETH Zurich Robotic Systems Lab, StarlETH (2011–2015).
• M. Hutter et al., ANYmal — A Highly Mobile and Dynamic Quadrupedal Robot, 2016.
• MIT News, Mini Cheetah, 2019.
• Unitree Robotics, About Unitree.

学习控制与感知运动

• J. Tan et al., Sim-to-Real: Learning Agile Locomotion for Quadruped Robots, RSS 2018.
• J. Hwangbo et al., Learning Agile and Dynamic Motor Skills for Legged Robots, 2019.
• J. Lee et al., Learning Quadrupedal Locomotion over Challenging Terrain, 2020.
• N. Rudin et al., Learning to Walk in Minutes Using Massively Parallel Deep Reinforcement Learning, 2022.
• T. Miki et al., Learning Robust Perceptive Locomotion for Quadrupedal Robots in the Wild, 2022.
• D. Hoeller et al., ANYmal Parkour: Learning Agile Navigation for Quadrupedal Robots, 2024.

ROBOCON 与工程资料

• ROBOCON 2026 足式机器人赛道规则 V2.0.
• LocoWiki：可作为 ROBOCON 足式机器人实践经验、资料索引和进一步阅读的补充。其部分内容属于作者个人经验与观点，历史事实和技术结论仍应回到原始论文或官方资料核对。