尧图网站建设 
0. 引言四足机器人领域正在经历一场深刻的技术变革。从波士顿动力的Spot到MIT的Cheetah这些曾经只存在于实验室的高端技术如今通过开源社区的力量正在变得触手可及。GitHub上已经汇聚了数十个成熟的四足机器人项目它们不仅提供了完整的源代码更重要的是展示了不同技术路线的实现细节和工程权衡。本文基于对GitHub上超过20个主流四足机器人项目的深度调研从运动学控制、全栈工程、优化算法、强化学习、硬件本体五大技术流派出发系统梳理当前开源四足机器人的技术全景。我们不仅会介绍每个项目的核心特性更会深入分析其技术内核、适用场景以及存在的问题帮助开发者和研究者快速建立完整的知识体系。1. 极简主义流派 - 运动学与状态机控制1.1 技术特征与适用场景极简主义流派的核心理念是用最少的计算资源实现稳定的四足运动。这类项目通常运行在微控制器MCU级别的硬件上不依赖复杂的动力学模型而是通过精心设计的逆运动学Inverse Kinematics, IK和步态状态机来实现控制。这种方法的优势在于算法简单、实时性好、成本低廉非常适合教育场景和快速原型开发。然而这种方法也存在明显的局限性。由于缺乏对机器人动力学的建模系统对外部扰动的抗干扰能力较弱在复杂地形上的适应性有限。此外步态参数通常需要人工调试难以自动适应不同的运动速度和负载条件。尽管如此对于初学者而言这类项目仍然是理解四足机器人基本原理的最佳起点。1.2 Stanford Pupper教科书级的分层控制架构项目地址: https://github.com/stanfordroboticsclub/StanfordQuadrupedStanford Pupperstanfordroboticsclub/StanfordQuadruped是斯坦福机器人俱乐部开发的开源四足机器人项目在GitHub上获得了1676个星标和653个分支。该项目最大的价值在于其清晰的分层控制架构将复杂的四足控制问题分解为三个独立的层次步态调度层、轨迹生成层和逆运动学层。步态调度层负责决定每条腿的相位关系。在经典的Trot步态对角小跑中对角线上的两条腿同步摆动而另外两条腿保持支撑。通过简单的相位计算系统可以生成平滑的步态切换。轨迹生成层则负责计算每条腿的足端轨迹通常采用贝塞尔曲线或简单的摆线轨迹。最底层的逆运动学层将足端位置转换为关节角度这是整个控制链路的基础。项目的源码结构非常清晰核心控制逻辑集中在几个关键的Python类中。TrotGait类展示了如何通过相位偏移实现对角步态而IK求解器则提供了针对12自由度四足机器人的解析解。值得注意的是该项目证明了一个重要的工程事实在准确的运动学模型基础上简单的PD控制器就足以支撑稳定的动态行走无需复杂的力控制或动力学补偿。1.3 Petoi OpenCat嵌入式系统的工程典范项目地址: https://github.com/PetoiCamp/OpenCat-Quadruped-RobotPetoi OpenCatPetoiCamp/OpenCat-Quadruped-Robot是GitHub上最受欢迎的四足机器人项目之一拥有4713个星标。与学术导向的Stanford Pupper不同OpenCat更关注产品化和用户体验其设计理念是打造一个可编程的机器人宠物平台适用于STEM教育和创客应用。OpenCat的核心是一个技能状态机系统。项目定义了大量的Skill结构体每个技能本质上是一组预设的关节角度序列或特定的振荡器参数。例如休息技能会将所有关节移动到预定义的休息姿态而后空翻技能则是一个精心编排的动作序列。这种设计完美契合资源受限的Arduino环境展示了如何在8位或32位微控制器上实现复杂的可编程行为。项目的另一个亮点是其模块化的硬件设计。OpenCat支持多种机械本体从小型的Nybble到中型的Bittle都可以使用相同的控制框架。这种灵活性来自于其参数化的运动学模型用户只需修改配置文件中的连杆长度参数就可以适配不同的机械结构。对于想要学习嵌入式机器人开发的工程师来说OpenCat提供了从硬件设计到固件开发的完整参考。2. ROS生态流派 - 全栈工程化实践2.1 ROS架构的优势与复杂性机器人操作系统Robot Operating System, ROS已经成为机器人研究和开发的事实标准。ROS提供了一套完整的工具链包括硬件抽象、设备驱动、消息传递、包管理、可视化工具等。对于四足机器人这样的复杂系统ROS的模块化架构可以将感知、规划、控制等子系统解耦大大降低了系统集成的复杂度。然而ROS也带来了额外的学习成本和系统开销。开发者需要理解节点、话题、服务、参数服务器等核心概念还需要掌握坐标变换TF、URDF建模、launch文件配置等技能。此外ROS的消息传递机制会引入一定的延迟对于需要高频率控制的四足机器人来说需要仔细设计控制架构以保证实时性。2.2 SpotMicro开源界的波士顿动力项目地址: https://github.com/mike4192/spotMicroSpotMicromike4192/spotMicro是一个雄心勃勃的项目目标是复刻波士顿动力Spot Mini的形态和运动能力。该项目在GitHub上获得了2043个星标和484个分支是DIY四足机器人社区的明星项目。SpotMicro的最大价值在于其完整的ROS集成展示了如何构建一个具有自主导航能力的四足机器人系统。项目的核心是spot_micro_motion_cmd节点这是一个典型的ROS控制节点。它订阅高层的速度指令/cmd_vel话题将线速度和角速度转换为步态参数和足端轨迹然后通过逆运动学计算关节角度最后发布到电机控制器。这个过程清晰地展示了从任务空间到关节空间的完整映射链路。SpotMicro的另一个重要特性是其完善的坐标变换树TF Tree。项目定义了世界坐标系、机身坐标系、每条腿的基座坐标系、以及足端坐标系之间的变换关系。通过ROS的TF库系统可以自动处理不同坐标系之间的转换这对于实现身体姿态控制和地形适应至关重要。对于想要深入理解机器人运动学的开发者来说研究SpotMicro的TF配置是一个绝佳的学习机会。2.3 Mini Pupper拥抱ROS2的新一代平台项目地址: https://github.com/mangdangroboticsclub/mini_pupperMini Puppermangdangroboticsclub/mini_pupper是Stanford Pupper的商业化升级版本也是少数几个完全基于ROS2构建的开源四足机器人项目。虽然该项目的GitHub星标数36个相对较少但其技术架构代表了四足机器人开发的未来方向。ROS2相比ROS1在实时性、安全性、跨平台支持等方面都有显著提升更适合商业化产品开发。Mini Pupper的一个突出特性是其完整的自主导航能力。项目集成了ROS2的Navigation2框架支持SLAM建图、路径规划、动态避障等功能。通过分析其launch文件可以看到系统同时运行了多个节点视觉SLAM节点负责构建环境地图全局规划器计算从当前位置到目标点的路径局部规划器根据实时传感器数据调整轨迹而运动控制器则将规划结果转换为足端轨迹。这种多节点协同工作的架构展示了ROS2的强大之处。每个节点都是独立的进程通过DDSData Distribution Service中间件进行通信。这种设计不仅提高了系统的模块化程度还支持分布式部署——例如可以将计算密集的SLAM算法运行在远程服务器上而将实时控制保留在机器人本地。对于想要构建具有高级自主能力的四足机器人的团队来说Mini Pupper提供了一个完整的参考架构。3. 优化控制流派 - MPC与全身控制3.1 从运动学到动力学的跨越前面介绍的项目主要基于运动学控制即直接指定关节角度或足端位置。这种方法简单直观但无法精确控制机器人与环境的交互力在动态运动和复杂地形上表现有限。优化控制流派则从动力学角度出发将四足机器人控制问题建模为一个优化问题在满足动力学约束、摩擦锥约束、关节限位等条件下找到最优的足端力和关节力矩使机器人能够跟踪期望的运动轨迹。这种方法的理论基础是模型预测控制Model Predictive Control, MPC和全身控制Whole Body Control, WBC。MPC在每个控制周期内求解一个有限时域的优化问题预测未来一段时间内的最优控制序列然后执行第一步的控制指令。WBC则将控制任务分解为多个优先级层次例如保持身体平衡是最高优先级跟踪足端轨迹是次优先级通过层次化的二次规划求解器来协调这些任务。3.2 legged_control基于OCS2的MPC控制框架项目地址: https://github.com/qiayuanl/legged_controllegged_control是国内开发者基于OCS2Optimal Control for Switched Systems和ros-control实现的开源四足机器人MPC控制框架在Gazebo仿真环境中运行。这是一个非常成熟的ROS1项目展示了如何将学术界的优化控制算法应用到实际的机器人系统中。OCS2框架是苏黎世联邦理工学院开发的优化控制库专门针对切换系统Switched Systems设计。四足机器人是典型的切换系统——在不同的步态相位中接触状态会发生切换某些腿着地某些腿摆动。OCS2提供了高效的求解器可以处理这种混合动力学系统的优化问题。项目的控制架构包含状态估计器融合IMU、关节编码器、足端接触传感器的数据估计机器人的身体位置、速度、姿态。使用扩展卡尔曼滤波EKF或互补滤波器实现。MPC规划器基于单刚体动力学模型SRBD预测未来0.5-1秒内的机器人运动优化足端力分配。求解器使用序列二次规划SQP或内点法。WBC执行器将MPC输出的期望足端力转换为关节力矩同时考虑关节限位、力矩限制等约束。步态调度器管理不同步态模式站立、行走、小跑、跳跃的切换为MPC提供接触序列信息。⚠️ 环境要求: 该项目基于ROS1 Noetic仅支持Ubuntu 20.04系统。在Ubuntu 22.04上运行会遇到依赖问题不建议轻易尝试。这是ROS1项目的通病也是为什么社区正在向ROS2迁移的原因之一。3.2 CHAMPMIT Cheetah算法的工程化实现项目地址: https://github.com/chvmp/champCHAMPchvmp/champ是GitHub上最成熟的开源四足机器人控制框架之一拥有2196个星标和428个分支。该项目基于MIT Cheetah的控制算法实现了完整的MPC控制器和ROS集成。CHAMP的核心价值在于将学术论文中的算法转化为可实际部署的工程代码并提供了丰富的配置工具和仿真环境。CHAMP的MPC实现采用了单刚体模型Single Rigid Body Dynamics, SRBD。这是一个关键的简化假设将整个机器人视为一个刚体忽略腿部的质量和惯性。虽然这个假设在理论上并不完全准确但在实践中已经足够好可以显著降低优化问题的复杂度。基于SRBD模型系统可以预测机器人在不同足端力作用下的运动状态然后通过求解一个凸二次规划问题来找到最优的足端力分配。项目中最值得深入研究的是convex_mpc模块。该模块将MPC问题建模为一个标准的QP问题包含了多个约束条件。其中最重要的是摩擦锥约束足端力必须在摩擦锥范围内否则会导致打滑。通过将摩擦锥线性化为多个不等式约束优化器可以自动确保生成的足端力是可实现的。这解释了为什么MPC控制的机器人在湿滑地面上的表现明显优于简单的运动学控制——优化器会主动避免产生过大的切向力。CHAMP还提供了一个图形化的配置工具champ_setup_assistant用户可以通过简单的界面输入机器人的URDF模型和基本参数工具会自动生成完整的ROS包。这大大降低了将CHAMP应用到新机器人平台的门槛。项目还包含了多个预配置的机器人模型包括ANYmal、MIT Mini Cheetah、Spot等开发者可以直接在仿真环境中测试这些模型。3.3 全身控制WBC的层次化任务管理全身控制是另一个重要的优化控制方法特别适合处理多任务协调问题。在四足机器人中我们通常需要同时完成多个控制目标保持身体姿态、跟踪足端轨迹、最小化关节力矩、避免关节限位等。这些目标之间可能存在冲突例如在某些极端姿态下可能无法同时满足所有约束。WBC通过引入任务优先级来解决这个问题。WBC的基本思想是将控制任务组织成一个优先级队列。最高优先级的任务如保持平衡必须严格满足而低优先级的任务如跟踪期望轨迹则在不违反高优先级约束的前提下尽可能满足。数学上这可以通过层次化二次规划Hierarchical Quadratic Programming来实现。系统首先求解最高优先级任务的最优解然后在该解的零空间中求解次优先级任务依此类推。项目地址: https://github.com/iit-DLSLab/Quadruped-PyMPC虽然原文提到了TopHillRobotics的WBC实现但该项目在GitHub上的活跃度较低。更好的参考是iit-DLSLab的Quadruped-PyMPC项目446个星标该项目提供了基于Python的MPC和WBC实现代码结构清晰适合学习。项目使用acados作为优化求解器这是一个专门为实时优化控制设计的高性能库可以在毫秒级时间内求解复杂的非线性MPC问题。4. 强化学习流派 - 从仿真到现实的跨越4.1 数据驱动控制的范式转变强化学习Reinforcement Learning, RL代表了四足机器人控制的另一个技术方向。与传统的基于模型的控制方法不同RL不需要显式地建立机器人的动力学模型而是通过大量的试错学习来发现最优的控制策略。这种方法的优势在于可以自动发现复杂的运动模式甚至可能超越人类工程师手工设计的控制器。然而RL也面临着巨大的挑战。最大的问题是样本效率训练一个有效的RL策略可能需要数百万次的交互这在真实机器人上是不可行的。因此几乎所有的四足机器人RL项目都采用仿真到现实Sim-to-Real的策略在物理仿真器中训练策略然后迁移到真实机器人上。这个过程中的关键技术是域随机化Domain Randomization和域适应Domain Adaptation。4.2 Spot Mini Mini域随机化的实践指南项目地址: https://github.com/OpenQuadruped/spot_mini_miniSpot Mini MiniOpenQuadruped/spot_mini_mini是一个专注于RL训练的四足机器人项目拥有919个星标和191个分支。该项目的核心贡献是展示了如何通过域随机化来提高RL策略的鲁棒性。域随机化的基本思想是在训练过程中引入大量的随机扰动迫使神经网络学习到更本质、更鲁棒的特征。项目在PyBullet仿真环境中实现了全面的随机化策略。物理参数方面系统会随机改变机器人的质量、质心位置、连杆长度、摩擦系数等。动力学参数方面会随机添加电机延迟、齿轮间隙、关节阻尼等。传感器方面会在IMU读数、关节编码器读数中添加噪声和偏置。环境方面会随机生成不同的地形、坡度、障碍物等。这种刻意制造混乱的训练策略看似反直觉但效果显著。通过在各种极端条件下训练神经网络被迫学习到对参数变化不敏感的控制策略。当这样的策略部署到真实机器人上时即使存在建模误差和未知扰动也能保持良好的性能。项目的实验结果表明经过域随机化训练的策略可以在从未见过的地形上稳定行走甚至可以应对突然的推搡和负载变化。4.3 REX-Gym奖励函数的艺术项目地址: https://github.com/nicrusso7/rex-gymREX-Gymnicrusso7/rex-gym是一个基于OpenAI Gym的四足机器人RL训练环境拥有1089个星标。该项目的价值在于提供了多个精心设计的训练任务和奖励函数展示了如何通过调整奖励函数来塑造机器人的行为。在RL中奖励函数的设计往往比算法选择更重要一个好的奖励函数可以大大加速训练过程并提高最终性能。REX-Gym定义了多个训练任务每个任务都有不同的奖励函数。例如在基本行走任务中奖励函数包含以下几项前进速度奖励鼓励机器人向前移动、能量惩罚鼓励节能的步态、足端冲击力惩罚鼓励轻柔的着地、身体姿态偏差惩罚保持身体水平、关节速度惩罚避免剧烈的关节运动等。通过调整这些项的权重可以得到不同风格的运动策略。项目还展示了一个重要的工程技巧课程学习Curriculum Learning。在训练初期系统会降低任务难度例如使用平坦地形、降低目标速度等。随着训练的进行逐步增加难度引入更复杂的地形和更高的速度要求。这种渐进式的训练策略可以显著提高训练的稳定性和最终性能避免策略陷入局部最优。4.4 Isaac Gym/Isaac LabGPU加速的大规模并行仿真项目地址: https://github.com/isaac-sim/IsaacLabNVIDIA的Isaac Gym和Isaac Lab正在彻底改变四足机器人的强化学习训练范式。传统的物理仿真器如PyBullet、MuJoCo在CPU上串行执行即使使用多进程并行训练数千个机器人实例仍然需要大量时间。Isaac Gym通过GPU加速的并行物理仿真可以在单张GPU上同时运行数千甚至上万个机器人实例将训练速度提升数百倍。Isaac Lab原名Isaac Gym Envs是基于Isaac Sim构建的模块化机器人学习框架提供了丰富的四足机器人训练环境。项目包含了Anymal、Unitree Go1/A1等多个主流四足机器人的完整模型和训练脚本。其核心优势在于极致的并行化在RTX 4090上可同时运行16384个机器人实例单次迭代仅需几毫秒、高保真物理基于PhysX 5引擎支持精确的接触动力学和摩擦模型、端到端GPU流水线从物理仿真、神经网络推理到梯度计算全部在GPU上完成避免CPU-GPU数据传输瓶颈、灵活的任务定义支持地形课程学习、多模态感知、分层控制等复杂训练场景。项目地址: https://github.com/leggedrobotics/legged_gym苏黎世联邦理工学院ETH Zurich的Legged Gym项目1800星标是Isaac Gym在学术界最成功的应用之一。该项目实现了论文Learning to Walk in Minutes Using Massively Parallel Deep Reinforcement Learning中的算法展示了如何在5-20分钟内训练出能够在复杂地形上行走的四足机器人策略。Legged Gym的训练流程包含几个关键技术特权学习Privileged Learning在仿真中使用作弊信息如精确的地形高度图、摩擦系数训练教师策略然后通过蒸馏将知识转移到只使用本体感觉的学生策略自适应课程学习根据策略表现动态调整地形难度避免过早暴露于过难任务历史信息编码使用循环神经网络或Transformer编码历史观测隐式估计外部扰动和地形特征Sim-to-Real优化精心设计的观测噪声、动作平滑、延迟模拟等技术确保策略能够零样本迁移到真实机器人。该项目已成功部署到ANYmal、Unitree Go1等多个真实机器人平台展示了在碎石、楼梯、雪地等复杂地形上的鲁棒行走能力。4.5 rl-mpc-locomotionMPC与强化学习的深度融合项目地址: https://github.com/silvery107/rl-mpc-locomotionrl-mpc-locomotion项目946个星标代表了四足机器人控制的一个重要趋势将传统优化控制与深度强化学习相结合。该项目提供了一个完整的教学框架特别适合初学者系统性地理解四足机器人的全流程开发。项目最大的亮点是其配套的教学PPTUG-Thesis-EN这份材料以教科书般的清晰度梳理了四足机器人的核心知识体系运动学与动力学基础从最基本的连杆坐标系定义开始详细推导了正运动学、逆运动学、雅可比矩阵的计算方法。特别是对单刚体动力学模型SRBD的推导清晰展示了如何将复杂的多体系统简化为可计算的优化问题。模型预测控制MPC实现项目实现了基于凸优化的MPC控制器将机器人的运动控制问题转化为二次规划QP问题。通过预测未来一段时间内的机器人状态优化器可以计算出最优的足端力分配同时满足摩擦锥约束、关节限位等物理约束。全身控制WBC层次化任务在MPC生成期望的足端力后WBC负责将其转换为关节力矩指令。项目展示了如何通过优先级加权来协调多个控制目标例如保持身体姿态的优先级高于跟踪足端轨迹。强化学习策略优化项目的创新之处在于使用PPO算法来学习MPC的权重参数。传统的MPC需要手工调整大量的权重参数如姿态误差权重、能量消耗权重等而RL可以通过与环境交互自动发现最优的参数组合。这种分层控制架构RL作为高层策略MPC作为低层执行器兼具了学习方法的适应性和优化方法的可解释性。Isaac Gym仿真集成项目基于Isaac Gym实现了高效的并行训练可以同时运行数千个机器人实例。仿真环境包含了多种地形类型平地、斜坡、楼梯、随机障碍物支持课程学习和域随机化。4.6 ABS具备避障与目标追踪的高速四足项目地址: https://github.com/LeCAR-Lab/ABSABS项目Agile But Safe是卡内基梅隆大学CMU和苏黎世联邦理工学院ETH联合开发的研究项目展示了高速运动与安全避障的结合。该项目的机器人不仅能够以3-4 m/s的速度奔跑还能实时检测障碍物并规划安全路径同时追踪移动目标。项目的核心创新在于分层感知-规划-控制架构视觉感知层使用深度相机RealSense D435i获取RGB-D图像通过轻量级的卷积神经网络实时提取障碍物信息。网络输出的不是精确的3D点云而是局部占据栅格地图大大降低了后续规划的计算复杂度。路径规划层基于Model Predictive Path Integral (MPPI)算法在考虑机器人动力学约束的前提下采样数千条候选轨迹评估每条轨迹的安全性和目标接近度选择最优轨迹执行。MPPI的优势在于可以处理非凸的代价函数如避障约束且计算效率高。运动控制层使用基于强化学习训练的低层控制器将规划层输出的期望速度和转向角转换为关节力矩。控制器在Isaac Gym中训练使用了legged_gym和rsl_rl框架这两个框架已经成为四足机器人强化学习的事实标准。项目基于legged_gym和rsl_rl实现这意味着它继承了这两个框架的所有优势简单的环境定义接口、高效的并行训练、丰富的预训练模型。对于想要在四足机器人上实现高级自主能力如导航、避障、目标追踪的研究者ABS提供了一个完整的参考实现。5. 轮足混合机器人 - 速度与适应性的平衡5.1 轮足机器人的设计哲学轮足混合机器人代表了四足机器人的一个重要演进方向。通过在足端安装驱动轮机器人可以在轮式滚动和腿式行走之间灵活切换兼具轮式机器人的高速高效和腿式机器人的地形适应能力。这种设计在物流配送、巡检、搜救等场景中展现出巨大潜力。5.2 rl_sar国产轮足机器人的强化学习实践项目地址: https://github.com/fan-ziqi/rl_sar…详情请参照古月居 四足机器人开源项目深度解析：从入门到研究级的完整技术图谱
0. 引言四足机器人领域正在经历一场深刻的技术变革。从波士顿动力的Spot到MIT的Cheetah这些曾经只存在于实验室的高端技术如今通过开源社区的力量正在变得触手可及。GitHub上已经汇聚了数十个成熟的四足机器人项目它们不仅提供了完整的源代码更重要的是展示了不同技术路线的实现细节和工程权衡。本文基于对GitHub上超过20个主流四足机器人项目的深度调研从运动学控制、全栈工程、优化算法、强化学习、硬件本体五大技术流派出发系统梳理当前开源四足机器人的技术全景。我们不仅会介绍每个项目的核心特性更会深入分析其技术内核、适用场景以及存在的问题帮助开发者和研究者快速建立完整的知识体系。1. 极简主义流派 - 运动学与状态机控制1.1 技术特征与适用场景极简主义流派的核心理念是用最少的计算资源实现稳定的四足运动。这类项目通常运行在微控制器MCU级别的硬件上不依赖复杂的动力学模型而是通过精心设计的逆运动学Inverse Kinematics, IK和步态状态机来实现控制。这种方法的优势在于算法简单、实时性好、成本低廉非常适合教育场景和快速原型开发。然而这种方法也存在明显的局限性。由于缺乏对机器人动力学的建模系统对外部扰动的抗干扰能力较弱在复杂地形上的适应性有限。此外步态参数通常需要人工调试难以自动适应不同的运动速度和负载条件。尽管如此对于初学者而言这类项目仍然是理解四足机器人基本原理的最佳起点。1.2 Stanford Pupper教科书级的分层控制架构项目地址: https://github.com/stanfordroboticsclub/StanfordQuadrupedStanford Pupperstanfordroboticsclub/StanfordQuadruped是斯坦福机器人俱乐部开发的开源四足机器人项目在GitHub上获得了1676个星标和653个分支。该项目最大的价值在于其清晰的分层控制架构将复杂的四足控制问题分解为三个独立的层次步态调度层、轨迹生成层和逆运动学层。步态调度层负责决定每条腿的相位关系。在经典的Trot步态对角小跑中对角线上的两条腿同步摆动而另外两条腿保持支撑。通过简单的相位计算系统可以生成平滑的步态切换。轨迹生成层则负责计算每条腿的足端轨迹通常采用贝塞尔曲线或简单的摆线轨迹。最底层的逆运动学层将足端位置转换为关节角度这是整个控制链路的基础。项目的源码结构非常清晰核心控制逻辑集中在几个关键的Python类中。TrotGait类展示了如何通过相位偏移实现对角步态而IK求解器则提供了针对12自由度四足机器人的解析解。值得注意的是该项目证明了一个重要的工程事实在准确的运动学模型基础上简单的PD控制器就足以支撑稳定的动态行走无需复杂的力控制或动力学补偿。1.3 Petoi OpenCat嵌入式系统的工程典范项目地址: https://github.com/PetoiCamp/OpenCat-Quadruped-RobotPetoi OpenCatPetoiCamp/OpenCat-Quadruped-Robot是GitHub上最受欢迎的四足机器人项目之一拥有4713个星标。与学术导向的Stanford Pupper不同OpenCat更关注产品化和用户体验其设计理念是打造一个可编程的机器人宠物平台适用于STEM教育和创客应用。OpenCat的核心是一个技能状态机系统。项目定义了大量的Skill结构体每个技能本质上是一组预设的关节角度序列或特定的振荡器参数。例如休息技能会将所有关节移动到预定义的休息姿态而后空翻技能则是一个精心编排的动作序列。这种设计完美契合资源受限的Arduino环境展示了如何在8位或32位微控制器上实现复杂的可编程行为。项目的另一个亮点是其模块化的硬件设计。OpenCat支持多种机械本体从小型的Nybble到中型的Bittle都可以使用相同的控制框架。这种灵活性来自于其参数化的运动学模型用户只需修改配置文件中的连杆长度参数就可以适配不同的机械结构。对于想要学习嵌入式机器人开发的工程师来说OpenCat提供了从硬件设计到固件开发的完整参考。2. ROS生态流派 - 全栈工程化实践2.1 ROS架构的优势与复杂性机器人操作系统Robot Operating System, ROS已经成为机器人研究和开发的事实标准。ROS提供了一套完整的工具链包括硬件抽象、设备驱动、消息传递、包管理、可视化工具等。对于四足机器人这样的复杂系统ROS的模块化架构可以将感知、规划、控制等子系统解耦大大降低了系统集成的复杂度。然而ROS也带来了额外的学习成本和系统开销。开发者需要理解节点、话题、服务、参数服务器等核心概念还需要掌握坐标变换TF、URDF建模、launch文件配置等技能。此外ROS的消息传递机制会引入一定的延迟对于需要高频率控制的四足机器人来说需要仔细设计控制架构以保证实时性。2.2 SpotMicro开源界的波士顿动力项目地址: https://github.com/mike4192/spotMicroSpotMicromike4192/spotMicro是一个雄心勃勃的项目目标是复刻波士顿动力Spot Mini的形态和运动能力。该项目在GitHub上获得了2043个星标和484个分支是DIY四足机器人社区的明星项目。SpotMicro的最大价值在于其完整的ROS集成展示了如何构建一个具有自主导航能力的四足机器人系统。项目的核心是spot_micro_motion_cmd节点这是一个典型的ROS控制节点。它订阅高层的速度指令/cmd_vel话题将线速度和角速度转换为步态参数和足端轨迹然后通过逆运动学计算关节角度最后发布到电机控制器。这个过程清晰地展示了从任务空间到关节空间的完整映射链路。SpotMicro的另一个重要特性是其完善的坐标变换树TF Tree。项目定义了世界坐标系、机身坐标系、每条腿的基座坐标系、以及足端坐标系之间的变换关系。通过ROS的TF库系统可以自动处理不同坐标系之间的转换这对于实现身体姿态控制和地形适应至关重要。对于想要深入理解机器人运动学的开发者来说研究SpotMicro的TF配置是一个绝佳的学习机会。2.3 Mini Pupper拥抱ROS2的新一代平台项目地址: https://github.com/mangdangroboticsclub/mini_pupperMini Puppermangdangroboticsclub/mini_pupper是Stanford Pupper的商业化升级版本也是少数几个完全基于ROS2构建的开源四足机器人项目。虽然该项目的GitHub星标数36个相对较少但其技术架构代表了四足机器人开发的未来方向。ROS2相比ROS1在实时性、安全性、跨平台支持等方面都有显著提升更适合商业化产品开发。Mini Pupper的一个突出特性是其完整的自主导航能力。项目集成了ROS2的Navigation2框架支持SLAM建图、路径规划、动态避障等功能。通过分析其launch文件可以看到系统同时运行了多个节点视觉SLAM节点负责构建环境地图全局规划器计算从当前位置到目标点的路径局部规划器根据实时传感器数据调整轨迹而运动控制器则将规划结果转换为足端轨迹。这种多节点协同工作的架构展示了ROS2的强大之处。每个节点都是独立的进程通过DDSData Distribution Service中间件进行通信。这种设计不仅提高了系统的模块化程度还支持分布式部署——例如可以将计算密集的SLAM算法运行在远程服务器上而将实时控制保留在机器人本地。对于想要构建具有高级自主能力的四足机器人的团队来说Mini Pupper提供了一个完整的参考架构。3. 优化控制流派 - MPC与全身控制3.1 从运动学到动力学的跨越前面介绍的项目主要基于运动学控制即直接指定关节角度或足端位置。这种方法简单直观但无法精确控制机器人与环境的交互力在动态运动和复杂地形上表现有限。优化控制流派则从动力学角度出发将四足机器人控制问题建模为一个优化问题在满足动力学约束、摩擦锥约束、关节限位等条件下找到最优的足端力和关节力矩使机器人能够跟踪期望的运动轨迹。这种方法的理论基础是模型预测控制Model Predictive Control, MPC和全身控制Whole Body Control, WBC。MPC在每个控制周期内求解一个有限时域的优化问题预测未来一段时间内的最优控制序列然后执行第一步的控制指令。WBC则将控制任务分解为多个优先级层次例如保持身体平衡是最高优先级跟踪足端轨迹是次优先级通过层次化的二次规划求解器来协调这些任务。3.2 legged_control基于OCS2的MPC控制框架项目地址: https://github.com/qiayuanl/legged_controllegged_control是国内开发者基于OCS2Optimal Control for Switched Systems和ros-control实现的开源四足机器人MPC控制框架在Gazebo仿真环境中运行。这是一个非常成熟的ROS1项目展示了如何将学术界的优化控制算法应用到实际的机器人系统中。OCS2框架是苏黎世联邦理工学院开发的优化控制库专门针对切换系统Switched Systems设计。四足机器人是典型的切换系统——在不同的步态相位中接触状态会发生切换某些腿着地某些腿摆动。OCS2提供了高效的求解器可以处理这种混合动力学系统的优化问题。项目的控制架构包含状态估计器融合IMU、关节编码器、足端接触传感器的数据估计机器人的身体位置、速度、姿态。使用扩展卡尔曼滤波EKF或互补滤波器实现。MPC规划器基于单刚体动力学模型SRBD预测未来0.5-1秒内的机器人运动优化足端力分配。求解器使用序列二次规划SQP或内点法。WBC执行器将MPC输出的期望足端力转换为关节力矩同时考虑关节限位、力矩限制等约束。步态调度器管理不同步态模式站立、行走、小跑、跳跃的切换为MPC提供接触序列信息。⚠️ 环境要求: 该项目基于ROS1 Noetic仅支持Ubuntu 20.04系统。在Ubuntu 22.04上运行会遇到依赖问题不建议轻易尝试。这是ROS1项目的通病也是为什么社区正在向ROS2迁移的原因之一。3.2 CHAMPMIT Cheetah算法的工程化实现项目地址: https://github.com/chvmp/champCHAMPchvmp/champ是GitHub上最成熟的开源四足机器人控制框架之一拥有2196个星标和428个分支。该项目基于MIT Cheetah的控制算法实现了完整的MPC控制器和ROS集成。CHAMP的核心价值在于将学术论文中的算法转化为可实际部署的工程代码并提供了丰富的配置工具和仿真环境。CHAMP的MPC实现采用了单刚体模型Single Rigid Body Dynamics, SRBD。这是一个关键的简化假设将整个机器人视为一个刚体忽略腿部的质量和惯性。虽然这个假设在理论上并不完全准确但在实践中已经足够好可以显著降低优化问题的复杂度。基于SRBD模型系统可以预测机器人在不同足端力作用下的运动状态然后通过求解一个凸二次规划问题来找到最优的足端力分配。项目中最值得深入研究的是convex_mpc模块。该模块将MPC问题建模为一个标准的QP问题包含了多个约束条件。其中最重要的是摩擦锥约束足端力必须在摩擦锥范围内否则会导致打滑。通过将摩擦锥线性化为多个不等式约束优化器可以自动确保生成的足端力是可实现的。这解释了为什么MPC控制的机器人在湿滑地面上的表现明显优于简单的运动学控制——优化器会主动避免产生过大的切向力。CHAMP还提供了一个图形化的配置工具champ_setup_assistant用户可以通过简单的界面输入机器人的URDF模型和基本参数工具会自动生成完整的ROS包。这大大降低了将CHAMP应用到新机器人平台的门槛。项目还包含了多个预配置的机器人模型包括ANYmal、MIT Mini Cheetah、Spot等开发者可以直接在仿真环境中测试这些模型。3.3 全身控制WBC的层次化任务管理全身控制是另一个重要的优化控制方法特别适合处理多任务协调问题。在四足机器人中我们通常需要同时完成多个控制目标保持身体姿态、跟踪足端轨迹、最小化关节力矩、避免关节限位等。这些目标之间可能存在冲突例如在某些极端姿态下可能无法同时满足所有约束。WBC通过引入任务优先级来解决这个问题。WBC的基本思想是将控制任务组织成一个优先级队列。最高优先级的任务如保持平衡必须严格满足而低优先级的任务如跟踪期望轨迹则在不违反高优先级约束的前提下尽可能满足。数学上这可以通过层次化二次规划Hierarchical Quadratic Programming来实现。系统首先求解最高优先级任务的最优解然后在该解的零空间中求解次优先级任务依此类推。项目地址: https://github.com/iit-DLSLab/Quadruped-PyMPC虽然原文提到了TopHillRobotics的WBC实现但该项目在GitHub上的活跃度较低。更好的参考是iit-DLSLab的Quadruped-PyMPC项目446个星标该项目提供了基于Python的MPC和WBC实现代码结构清晰适合学习。项目使用acados作为优化求解器这是一个专门为实时优化控制设计的高性能库可以在毫秒级时间内求解复杂的非线性MPC问题。4. 强化学习流派 - 从仿真到现实的跨越4.1 数据驱动控制的范式转变强化学习Reinforcement Learning, RL代表了四足机器人控制的另一个技术方向。与传统的基于模型的控制方法不同RL不需要显式地建立机器人的动力学模型而是通过大量的试错学习来发现最优的控制策略。这种方法的优势在于可以自动发现复杂的运动模式甚至可能超越人类工程师手工设计的控制器。然而RL也面临着巨大的挑战。最大的问题是样本效率训练一个有效的RL策略可能需要数百万次的交互这在真实机器人上是不可行的。因此几乎所有的四足机器人RL项目都采用仿真到现实Sim-to-Real的策略在物理仿真器中训练策略然后迁移到真实机器人上。这个过程中的关键技术是域随机化Domain Randomization和域适应Domain Adaptation。4.2 Spot Mini Mini域随机化的实践指南项目地址: https://github.com/OpenQuadruped/spot_mini_miniSpot Mini MiniOpenQuadruped/spot_mini_mini是一个专注于RL训练的四足机器人项目拥有919个星标和191个分支。该项目的核心贡献是展示了如何通过域随机化来提高RL策略的鲁棒性。域随机化的基本思想是在训练过程中引入大量的随机扰动迫使神经网络学习到更本质、更鲁棒的特征。项目在PyBullet仿真环境中实现了全面的随机化策略。物理参数方面系统会随机改变机器人的质量、质心位置、连杆长度、摩擦系数等。动力学参数方面会随机添加电机延迟、齿轮间隙、关节阻尼等。传感器方面会在IMU读数、关节编码器读数中添加噪声和偏置。环境方面会随机生成不同的地形、坡度、障碍物等。这种刻意制造混乱的训练策略看似反直觉但效果显著。通过在各种极端条件下训练神经网络被迫学习到对参数变化不敏感的控制策略。当这样的策略部署到真实机器人上时即使存在建模误差和未知扰动也能保持良好的性能。项目的实验结果表明经过域随机化训练的策略可以在从未见过的地形上稳定行走甚至可以应对突然的推搡和负载变化。4.3 REX-Gym奖励函数的艺术项目地址: https://github.com/nicrusso7/rex-gymREX-Gymnicrusso7/rex-gym是一个基于OpenAI Gym的四足机器人RL训练环境拥有1089个星标。该项目的价值在于提供了多个精心设计的训练任务和奖励函数展示了如何通过调整奖励函数来塑造机器人的行为。在RL中奖励函数的设计往往比算法选择更重要一个好的奖励函数可以大大加速训练过程并提高最终性能。REX-Gym定义了多个训练任务每个任务都有不同的奖励函数。例如在基本行走任务中奖励函数包含以下几项前进速度奖励鼓励机器人向前移动、能量惩罚鼓励节能的步态、足端冲击力惩罚鼓励轻柔的着地、身体姿态偏差惩罚保持身体水平、关节速度惩罚避免剧烈的关节运动等。通过调整这些项的权重可以得到不同风格的运动策略。项目还展示了一个重要的工程技巧课程学习Curriculum Learning。在训练初期系统会降低任务难度例如使用平坦地形、降低目标速度等。随着训练的进行逐步增加难度引入更复杂的地形和更高的速度要求。这种渐进式的训练策略可以显著提高训练的稳定性和最终性能避免策略陷入局部最优。4.4 Isaac Gym/Isaac LabGPU加速的大规模并行仿真项目地址: https://github.com/isaac-sim/IsaacLabNVIDIA的Isaac Gym和Isaac Lab正在彻底改变四足机器人的强化学习训练范式。传统的物理仿真器如PyBullet、MuJoCo在CPU上串行执行即使使用多进程并行训练数千个机器人实例仍然需要大量时间。Isaac Gym通过GPU加速的并行物理仿真可以在单张GPU上同时运行数千甚至上万个机器人实例将训练速度提升数百倍。Isaac Lab原名Isaac Gym Envs是基于Isaac Sim构建的模块化机器人学习框架提供了丰富的四足机器人训练环境。项目包含了Anymal、Unitree Go1/A1等多个主流四足机器人的完整模型和训练脚本。其核心优势在于极致的并行化在RTX 4090上可同时运行16384个机器人实例单次迭代仅需几毫秒、高保真物理基于PhysX 5引擎支持精确的接触动力学和摩擦模型、端到端GPU流水线从物理仿真、神经网络推理到梯度计算全部在GPU上完成避免CPU-GPU数据传输瓶颈、灵活的任务定义支持地形课程学习、多模态感知、分层控制等复杂训练场景。项目地址: https://github.com/leggedrobotics/legged_gym苏黎世联邦理工学院ETH Zurich的Legged Gym项目1800星标是Isaac Gym在学术界最成功的应用之一。该项目实现了论文Learning to Walk in Minutes Using Massively Parallel Deep Reinforcement Learning中的算法展示了如何在5-20分钟内训练出能够在复杂地形上行走的四足机器人策略。Legged Gym的训练流程包含几个关键技术特权学习Privileged Learning在仿真中使用作弊信息如精确的地形高度图、摩擦系数训练教师策略然后通过蒸馏将知识转移到只使用本体感觉的学生策略自适应课程学习根据策略表现动态调整地形难度避免过早暴露于过难任务历史信息编码使用循环神经网络或Transformer编码历史观测隐式估计外部扰动和地形特征Sim-to-Real优化精心设计的观测噪声、动作平滑、延迟模拟等技术确保策略能够零样本迁移到真实机器人。该项目已成功部署到ANYmal、Unitree Go1等多个真实机器人平台展示了在碎石、楼梯、雪地等复杂地形上的鲁棒行走能力。4.5 rl-mpc-locomotionMPC与强化学习的深度融合项目地址: https://github.com/silvery107/rl-mpc-locomotionrl-mpc-locomotion项目946个星标代表了四足机器人控制的一个重要趋势将传统优化控制与深度强化学习相结合。该项目提供了一个完整的教学框架特别适合初学者系统性地理解四足机器人的全流程开发。项目最大的亮点是其配套的教学PPTUG-Thesis-EN这份材料以教科书般的清晰度梳理了四足机器人的核心知识体系运动学与动力学基础从最基本的连杆坐标系定义开始详细推导了正运动学、逆运动学、雅可比矩阵的计算方法。特别是对单刚体动力学模型SRBD的推导清晰展示了如何将复杂的多体系统简化为可计算的优化问题。模型预测控制MPC实现项目实现了基于凸优化的MPC控制器将机器人的运动控制问题转化为二次规划QP问题。通过预测未来一段时间内的机器人状态优化器可以计算出最优的足端力分配同时满足摩擦锥约束、关节限位等物理约束。全身控制WBC层次化任务在MPC生成期望的足端力后WBC负责将其转换为关节力矩指令。项目展示了如何通过优先级加权来协调多个控制目标例如保持身体姿态的优先级高于跟踪足端轨迹。强化学习策略优化项目的创新之处在于使用PPO算法来学习MPC的权重参数。传统的MPC需要手工调整大量的权重参数如姿态误差权重、能量消耗权重等而RL可以通过与环境交互自动发现最优的参数组合。这种分层控制架构RL作为高层策略MPC作为低层执行器兼具了学习方法的适应性和优化方法的可解释性。Isaac Gym仿真集成项目基于Isaac Gym实现了高效的并行训练可以同时运行数千个机器人实例。仿真环境包含了多种地形类型平地、斜坡、楼梯、随机障碍物支持课程学习和域随机化。4.6 ABS具备避障与目标追踪的高速四足项目地址: https://github.com/LeCAR-Lab/ABSABS项目Agile But Safe是卡内基梅隆大学CMU和苏黎世联邦理工学院ETH联合开发的研究项目展示了高速运动与安全避障的结合。该项目的机器人不仅能够以3-4 m/s的速度奔跑还能实时检测障碍物并规划安全路径同时追踪移动目标。项目的核心创新在于分层感知-规划-控制架构视觉感知层使用深度相机RealSense D435i获取RGB-D图像通过轻量级的卷积神经网络实时提取障碍物信息。网络输出的不是精确的3D点云而是局部占据栅格地图大大降低了后续规划的计算复杂度。路径规划层基于Model Predictive Path Integral (MPPI)算法在考虑机器人动力学约束的前提下采样数千条候选轨迹评估每条轨迹的安全性和目标接近度选择最优轨迹执行。MPPI的优势在于可以处理非凸的代价函数如避障约束且计算效率高。运动控制层使用基于强化学习训练的低层控制器将规划层输出的期望速度和转向角转换为关节力矩。控制器在Isaac Gym中训练使用了legged_gym和rsl_rl框架这两个框架已经成为四足机器人强化学习的事实标准。项目基于legged_gym和rsl_rl实现这意味着它继承了这两个框架的所有优势简单的环境定义接口、高效的并行训练、丰富的预训练模型。对于想要在四足机器人上实现高级自主能力如导航、避障、目标追踪的研究者ABS提供了一个完整的参考实现。5. 轮足混合机器人 - 速度与适应性的平衡5.1 轮足机器人的设计哲学轮足混合机器人代表了四足机器人的一个重要演进方向。通过在足端安装驱动轮机器人可以在轮式滚动和腿式行走之间灵活切换兼具轮式机器人的高速高效和腿式机器人的地形适应能力。这种设计在物流配送、巡检、搜救等场景中展现出巨大潜力。5.2 rl_sar国产轮足机器人的强化学习实践项目地址: https://github.com/fan-ziqi/rl_sar…详情请参照古月居