对于较高的自由度机器人，质量基质，科里奥利和离心力和重力矩阵在计算上很重，需要长时间执行。由于程序的顺序结构，多层处理器无法提高性能。需要高处理能力来维持更高的采样率。基于神经网络的控制是开发顺序模型的平行等效模型的绝佳方法。在本文中，基于深度学习算法的控制器设计为7度的自由外骨骼机器人。总共49个密集连接的神经元分为四层，以估计跟踪轨迹的关节扭矩要求。为了培训，提出了基于深度神经网络分析模型的数据生成技术。添加了PD控制器来处理预测错误。由于深度学习网络具有并行结构，因此使用多核CPU/GPU可以显着提高控制器的性能。仿真结果显示出非常高的轨迹跟踪精度。

训练深度强化学习（DRL）运动策略通常需要大量数据以融合到所需的行为。在这方面，模拟器提供了便宜而丰富的来源。对于成功的SIM到现实转移，通常采用详尽的设计方法，例如系统识别，动态随机化和域的适应性。作为替代方案，我们研究了一种简单的随机力注射策略（RFI），以在训练过程中扰动系统动力学。我们表明，随机力的应用使我们能够模拟动力学随机化。这使我们能够获得对系统动力学变化的强大运动策略。我们通过引入情节驱动偏移，进一步扩展了RFI，称为延长的随机力注射（ERFI）。我们证明，ERFI为系统质量提供的变化提供了额外的鲁棒性，平均提供了比RFI的性能提高61％。我们还表明，ERFI足以在两个不同的四足动物平台（Anymal C和Unitree A1）上成功进行SIM到真实传输，即使在户外环境中对不均匀的地形上的感知运动也是如此。

跳跃可能是克服小地形差距或障碍的有效运动方法。在本文中，我们提出了两种不同的方法，可以用类人形机器人进行跳跃。具体而言，从预定义的COM轨迹开始，我们开发了速度控制器的理论和基于优化技术评估关节输入的优化技术的扭矩控制器。在模拟和类人形机器人ICUB中，对控制器进行了测试。在模拟中，机器人能够使用两个控制器跳跃，而实际系统仅使用速度控制器跳跃。结果突出了控制质心动量的重要性，他们表明联合性能，即腿部和躯干关节的最大功率，以及低水平的控制性能是至关重要的，以实现可接受的结果。

Legged robots pose one of the greatest challenges in robotics. Dynamic and agile maneuvers of animals cannot be imitated by existing methods that are crafted by humans. A compelling alternative is reinforcement learning, which requires minimal craftsmanship and promotes the natural evolution of a control policy. However, so far, reinforcement learning research for legged robots is mainly limited to simulation, and only few and comparably simple examples have been deployed on real systems. The primary reason is that training with real robots, particularly with dynamically balancing systems, is complicated and expensive. In the present work, we report a new method for training a neural network policy in simulation and transferring it to a state-of-the-art legged system, thereby we leverage fast, automated, and cost-effective data generation schemes. The approach is applied to the ANYmal robot, a sophisticated medium-dog-sized quadrupedal system. Using policies trained in simulation, the quadrupedal machine achieves locomotion skills that go beyond what had been achieved with prior methods: ANYmal is capable of precisely and energy-efficiently following high-level body velocity commands, running faster than ever before, and recovering from falling even in complex configurations.

“无限”软机械臂自由度的自由度使他们的控制尤其具有挑战性。在本文中，我们利用了先前开发的模型，将软臂的等效绘制到一系列通用接头，设计两个闭环控制器：用于轨迹跟踪的配置空间控制器和用于位置控制的任务空间控制器末端效应。在四段软手臂上的广泛实验和模拟证明了以下方面的大量改进：a）配置空间控制器的卓越的跟踪精度和B）减少了任务空间控制器的稳定时间和稳态误差。还验证了任务空间控制器在软臂和环境之间存在相互作用的情况下有效。

空中操纵器（AM）表现出特别具有挑战性的非线性动力学；无人机和操纵器携带的是一个紧密耦合的动态系统，相互影响。描述这些动力学的数学模型构成了非线性控制和深度强化学习中许多解决方案的核心。传统上，动力学的配方涉及在拉格朗日框架中的欧拉角参数化或牛顿 - 欧拉框架中的四元素参数化。前者的缺点是诞生奇异性，而后者在算法上是复杂的。这项工作提出了一个混合解决方案，结合了两者的好处，即利用拉格朗日框架的四元化方法，将无奇异参数化与拉格朗日方法的算法简单性联系起来。我们通过提供有关运动学建模过程的详细见解以及一般空中操纵器动力学的表述。获得的动力学模型对实时物理引擎进行了实验验证。获得的动力学模型的实际应用显示在计算的扭矩反馈控制器（反馈线性化）的上下文中，我们通过日益复杂的模型分析其实时功能。

本文提出了一种新型的固定时间积分滑动模式控制器，以用于增强物理人类机器人协作。所提出的方法结合了遵守入学控制的外部力量和对整体滑动模式控制（ISMC）不确定性的高度鲁棒性的好处，从而使系统可以在不确定的环境中与人类伴侣合作。首先，在ISMC中应用固定时间滑动表面，以使系统的跟踪误差在固定时间内收敛，无论初始条件如何。然后，将固定的后台控制器（BSP）集成到ISMC中，作为标称控制器，以实现全局固定时间收敛。此外，为了克服奇异性问题，设计并集成到控制器中，这对于实际应用很有用。最后，提出的控制器已被验证，用于具有不确定性和外部力量的两连锁机器人操纵器。结果表明，在跟踪误差和收敛时间的意义上，所提出的控制器是优越的，同时，可以在共享工作区中遵守人类运动。

Reinforcement Learning (RL) has seen many recent successes for quadruped robot control. The imitation of reference motions provides a simple and powerful prior for guiding solutions towards desired solutions without the need for meticulous reward design. While much work uses motion capture data or hand-crafted trajectories as the reference motion, relatively little work has explored the use of reference motions coming from model-based trajectory optimization. In this work, we investigate several design considerations that arise with such a framework, as demonstrated through four dynamic behaviours: trot, front hop, 180 backflip, and biped stepping. These are trained in simulation and transferred to a physical Solo 8 quadruped robot without further adaptation. In particular, we explore the space of feed-forward designs afforded by the trajectory optimizer to understand its impact on RL learning efficiency and sim-to-real transfer. These findings contribute to the long standing goal of producing robot controllers that combine the interpretability and precision of model-based optimization with the robustness that model-free RL-based controllers offer.

Applications of force control and motion planning often rely on an inverse dynamics model to represent the high-dimensional dynamic behavior of robots during motion. The widespread occurrence of low-velocity, small-scale, locally isotropic motion (LIMO) typically complicates the identification of appropriate models due to the exaggeration of dynamic effects and sensory perturbation caused by complex friction and phenomena of hysteresis, e.g., pertaining to joint elasticity. We propose a hybrid model learning base architecture combining a rigid body dynamics model identified by parametric regression and time-series neural network architectures based on multilayer-perceptron, LSTM, and Transformer topologies. Further, we introduce novel joint-wise rotational history encoding, reinforcing temporal information to effectively model dynamic hysteresis. The models are evaluated on a KUKA iiwa 14 during algorithmically generated locally isotropic movements. Together with the rotational encoding, the proposed architectures outperform state-of-the-art baselines by a magnitude of 10$^3$ yielding an RMSE of 0.14 Nm. Leveraging the hybrid structure and time-series encoding capabilities, our approach allows for accurate torque estimation, indicating its applicability in critically force-sensitive applications during motion sequences exceeding the capacity of conventional inverse dynamics models while retaining trainability in face of scarce data and explainability due to the employed physics model prior.

近二十年来，软机器人技术一直是机器人社区中的一个热门话题。但是，对于软机器人进行建模和分析的可用工具仍然有限。本文介绍了一个用户友好的MATLAB工具箱Soft Robot Simulator（Sorosim），该工具集合了Cosserat杆的几何变量应变（GVS）模型，以促进对软，刚性或混合机器人系统的静态和动力分析。我们简要概述了工具箱的设计和结构，并通过将其结果与文献中发布的结果进行比较。为了突出该工具箱有效建模，模拟，优化和控制各种机器人系统的潜力，我们演示了四个示例应用程序。所示的应用探索了单，分支，开放式和闭合链机器人系统的不同执行器和外部加载条件。我们认为，软机器人研究社区将从Sorosim工具箱中大大受益，用于多种应用。

自适应控制可以解决控制系统中的模型不确定性。但是，它是专为跟踪控制而设计的。近期机器人控制的最新进步表明，力控制可以有效地实现敏捷和强大的运动。在本文中，我们提出了一种用于腿机器人的新型自适应力控制框架。我们以我们提出的方法介绍了一种新的架构，将自适应控制纳入二次编程（QP）力控制。由于我们的方法是基于力控制，它还保留了基线框架的优势，例如对不均匀地形，可控摩擦约束或软撞击的鲁棒性。我们的方法在模拟和硬件实验中成功验证。虽然基线QP控制在具有小负载的身体跟踪误差中显示出显着的降级，但我们所提出的基于自适应力的控制可以使12千克Unitree A1机器人能够在粗糙的地形上行走，同时承载最多6次kg（50％的机器人重量）。当站在四条腿时，我们所提出的自适应控制甚至可以允许机器人在机器人高度中携带多达11kg的负载（机器人重量的92％），并且在机器人高度中具有小于5cm的跟踪误差。

This paper presents a state-of-the-art optimal controller for quadruped locomotion. The robot dynamics is represented using a single rigid body (SRB) model. A linear time-varying model predictive controller (LTV MPC) is proposed by using linearization schemes. Simulation results show that the LTV MPC can execute various gaits, such as trot and crawl, and is capable of tracking desired reference trajectories even under unknown external disturbances. The LTV MPC is implemented as a quadratic program using qpOASES through the CasADi interface at 50 Hz. The proposed MPC can reach up to 1 m/s top speed with an acceleration of 0.5 m/s2 executing a trot gait. The implementation is available at https:// github.com/AndrewZheng-1011/Quad_ConvexMPC

软机器均由柔顺性和可变形的材料制成，可以对传统的刚性机器人进行具有挑战性的任务。软机器人的固有依从性使其更适合和适应与人类和环境的相互作用。然而，这种优势以成本为准：他们的连续性性质使得强大地发展基于稳健的基于模型的控制策略。具体地，解决这一挑战的自适应控制方法尚未应用于物理软机械臂。这项工作介绍了使用Euler-Lagrange方法对软连续式机械手进行动态的重新装配。该模型消除了先前作品中的简化假设，并提供了更准确的机器人惯性描述。基于我们的模型，我们介绍了任务空间自适应控制方案。该控制器对模型参数不确定性和未知输入干扰具有稳健。控制器在物理软连续臂上实现。进行了一系列实验以验证控制器在不同有效载荷下的任务空间轨迹跟踪中的有效性。在准确性和稳健性方面，控制器均优于最先进的方法。此外，所提出的基于模型的控制设计是柔性的，并且可以广泛地推广到具有任意数量的连续段的任何连续型机器人臂。

Energy based control methods are at the core of modern robotic control algorithms. In this paper we present a general approach to virtual model/mechanism control, which is a powerful design tool to create energy based controllers. We present two novel virtual-mechanisms designed for robotic minimally invasive surgery, which control the position of a surgical instrument while passing through an incision. To these virtual mechanisms we apply the parameter tuning method of Larby and Forni 2022, which optimizes for local performance while ensuring global stability.

模型预测控制（MPC）方案已经证明了它们在控制高自由度（DOF）复杂机器人系统方面的效率。但是，它们的计算成本很高，更新速度约为数十万。这种相对较慢的更新速率阻碍了这种系统稳定的触觉远程操作的可能性，因为缓慢的反馈回路可能会导致对操作员的不稳定性和透明度的丧失。这项工作为MPC控制的复杂机器人系统的透明远程操作提供了一个新颖的框架。特别是，我们采用反馈MPC方法并利用其结构来以快速速率计算运营商输入，该快速速率与MPC循环本身的更新率无关。我们在移动操纵器平台上演示了我们的框架，并表明它可以显着提高触觉远程操作的透明度和稳定性。我们还强调，所提出的反馈结构是令人满意的，并且不违反最佳控制问题中定义的任何约束。据我们所知，这项工作是使用全身MPC框架的双边操纵器的双边远程操作的首次实现。

在腿部机器人技术中，计划和执行敏捷的机动演习一直是一个长期的挑战。它需要实时得出运动计划和本地反馈政策，以处理动力学动量的非物质。为此，我们提出了一个混合预测控制器，该控制器考虑了机器人的致动界限和全身动力学。它将反馈政策与触觉信息相结合，以在本地预测未来的行动。由于采用可行性驱动的方法，它在几毫秒内收敛。我们的预测控制器使Anymal机器人能够在现实的场景中生成敏捷操作。关键要素是跟踪本地反馈策略，因为与全身控制相反，它们达到了所需的角动量。据我们所知，我们的预测控制器是第一个处理驱动限制，生成敏捷的机动操作以及执行低级扭矩控制的最佳反馈策略，而无需使用单独的全身控制器。

旨在进一步实现对机器人操纵中的影响的影响，提出了一种控制框架，其直接解决了通过跟踪机器人操纵器的控制所构成的挑战，该机器人操纵器的控制被任务执行与多个接触点相关联的名义上同时冲击。为此，我们扩展了参考展示框架，该框架利用刚性冲击图采用刚性冲击地图的扩展前和冲击后参考，在非弹性同时撞击的假设下确定。在实践中，机器人不会在冲击力矩的参考上居住;结果通常会发生不同接触点处的一系列冲击。我们的新方法通过引入额外的中间控制模式，在此上下文中扩展了参考传播。在该模式中，扭矩命令仍然基于达到撞击参考，目的是达到目标接触状态，但是禁用速度反馈，因为这可能由于快速的速度而可能是有害的。随着真实的实现，该方法是使用QP控制框架制定的，并在刚性机器人模型和具有柔性接头的现实机器人模型上使用数值模拟进行验证。

外部磁场可用于远程控制小尺寸的机器人，使其具有多样化的生物医学和工程应用的候选人。我们表明，我们的磁动毫罗罗布特是高度敏捷的，并且可以执行各种机车任务，例如枢轴行走和在水平面翻滚。在这里，我们专注于控制枢轴行走模式中该毫无米罗罗布特的运动效果。开发了系统的数学模型，派生了运动模型。还研究了机器人运动中扫描和倾斜角度的作用。我们提出了两个控制器来调节枢轴步行者的步态。第一个是比例几何控制器，它决定了Millobot应该使用的正确枢轴点。然后，它基于毫无槌和参考轨迹的中心之间的误差按比例地调节角速度。第二控制器基于梯度下降优化技术，其表示控制动作作为优化问题。这些控制算法使得MilliRobot能够在跟踪所需的轨迹时产生稳定的步态。我们进行一组不同的实验和模拟运行，以确定所提出的控制器在跟踪误差方面的不同扫描和倾斜角度的有效性。这两个控制器表现出适当的性能，但观察到基于梯度下降基于的控制器产生更快的收敛时间，更小的跟踪误差和更少的步数。最后，我们对扫描角度，倾斜角度和步进时间对跟踪误差的影响进行了广泛的实验参数分析。正如我们所预期的那样，基于优化的控制器优于基于几何的控制器。

外骨骼和矫形器是可穿戴移动系统，为用户提供机械益处。尽管在过去几十年中有重大改进，但该技术不会完全成熟，以便采用剧烈和非编程任务。为了适应这种功能不全，需要分析和改进该技术的不同方面。许多研究一直在努力解决外骨骼的某些方面，例如，机构设计，意向预测和控制方案。但是，大多数作品都专注于设计或应用的特定元素，而无需提供全面的审查框架。本研究旨在分析和调查为改进和广泛采用这项技术的贡献方面。为了解决此问题，在引入辅助设备和外骨骼后，将从物理人员 - 机器人接口（HRI）的角度来研究主要的设计标准。通过概述不同类别的已知辅助设备的几个例子，将进一步开发该研究。为了建立智能HRI策略并为用户提供直观的控制，将研究认知HRI。将审查这种策略的各种方法，并提出了意图预测的模型。该模型用于从单个电拍摄（EMG）通道输入的栅极相位。建模结果显示出低功耗辅助设备中单通道输入的潜在使用。此外，所提出的模型可以在具有复杂控制策略的设备中提供冗余。

For the aerial manipulator that performs aerial work tasks, the actual operating environment it faces is very complex, and it is affected by internal and external multi-source disturbances. In this paper, to effectively improve the anti-disturbance control performance of the aerial manipulator, an adaptive neural network backstepping control method based on variable inertia parameter modeling is proposed. Firstly, for the intense internal coupling disturbance, we analyze and model it from the perspective of the generation mechanism of the coupling disturbance, and derive the dynamics model of the aerial manipulator system and the coupling disturbance model based on the variable inertia parameters. Through the proposed coupling disturbance model, we can compensate the strong coupling disturbance in a way of feedforward. Then, the adaptive neural network is proposed and applid to estimate and compensate the additional disturbances, and the closed-loop controller is designed based on the backstepping control method. Finally, we verify the correctness of the proposed coupling disturbance model through physical experiment under a large range motion of the manipulator. Two sets of comparative simulation results also prove the accurate estimation of the proposed adaptive neural network for additional disturbances and the effectiveness and superiority of the proposed control method.