Look Forward to Walk Backward: Efficient Terrain Memory for Backward Locomotion with Forward Vision

📄 arXiv: 2603.03138v1 📥 PDF

作者: Shixin Luo, Songbo Li, Yuan Hao, Yaqi Wang, Jun Zheng, Jun Wu, Qiuguo Zhu

分类: cs.RO

发布日期: 2026-03-03

备注: Accepted for 2026 IEEE International Conference on Robotics and Automation (ICRA)

💡 一句话要点

提出LF2WB框架，利用前视记忆实现腿足机器人无后视的后向敏捷运动

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱六：视频提取与匹配 (Video Extraction)

关键词: 腿足机器人 后退运动 地形记忆 前向视觉 运动规划

📋 核心要点

  1. 传统腿足机器人后退时依赖本体感受，在复杂地形易碰撞，无法充分利用机器人性能。
  2. LF2WB框架通过前向视觉构建地形记忆，后退时检索记忆，实现无后视的避障后退运动。
  3. 实验表明，LF2WB能有效提升腿足机器人在复杂地形下的后退敏捷性，适用于低成本机器人。

📝 摘要（中文）

配备前向深度相机的腿足机器人能够耦合外部感知和本体感知，在复杂地形上实现稳健的前向敏捷运动。然而，当这些机器人后退时，仅有前向视野无法提供预览。纯本体感受控制器在平坦地面上后退时可以保持稳定，但在复杂地形上无法充分发挥机器人的能力，并且容易与障碍物碰撞。本文提出了一种高效的地形记忆运动框架Look Forward to Walk Backward (LF2WB)，该框架利用前向深度信息和本体感受，在前进运动期间写入一个紧凑的关联记忆，并在后退运动期间检索该记忆，以实现无后向视觉的无碰撞后退运动。该记忆骨干网络采用delta规则选择性更新，沿活动子空间软移除并写入记忆状态。训练采用硬件高效的并行计算，部署运行循环、恒定时间步推理和恒定大小的状态，使得该方法适用于低成本机器人的板载处理器。在仿真和真实场景中的实验证明了该方法的有效性，提高了在有限感知下复杂地形上的后退敏捷性。

🔬 方法详解

问题定义：腿足机器人在复杂地形上后退时，由于缺乏后向视觉信息，纯粹依赖本体感受的控制方法难以有效避开障碍物，限制了机器人的后退敏捷性。现有方法要么依赖昂贵的后向视觉传感器，要么在复杂地形上表现不佳。

核心思路：LF2WB的核心思想是利用机器人在前进过程中获取的前向视觉信息构建一个地形记忆，该记忆能够被用于指导机器人在后退过程中的运动规划和控制。通过这种方式，机器人可以在没有后向视觉的情况下，有效地预测后方地形并避免碰撞。

技术框架：LF2WB框架主要包含以下几个模块：1) 前向视觉感知模块，用于获取前方的深度信息；2) 本体感受模块，用于获取机器人的自身状态信息（如关节角度、速度等）；3) 地形记忆构建模块，利用前向视觉和本体感受信息构建地形记忆，采用delta规则选择性更新记忆状态；4) 后退运动规划与控制模块，根据地形记忆进行运动规划，并控制机器人安全地后退。

关键创新：LF2WB的关键创新在于提出了一种高效的地形记忆构建和检索方法，该方法能够以紧凑的方式存储地形信息，并能够快速地检索相关信息用于后退运动的规划和控制。此外，该方法采用delta规则选择性更新，能够有效地处理地形变化，并保持记忆的有效性。

关键设计：LF2WB采用循环神经网络（RNN）作为记忆骨干网络，使用delta规则进行选择性更新。损失函数的设计旨在鼓励网络学习到能够准确预测后方地形的记忆表示。训练过程采用硬件高效的并行计算，部署时运行恒定时间步推理，保证了实时性。具体参数设置（如学习率、记忆容量等）需要根据具体机器人和地形进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LF2WB框架能够显著提升腿足机器人在复杂地形下的后退敏捷性。在仿真环境中，LF2WB相比于纯本体感受控制方法，后退成功率提升了约30%。在真实环境中，LF2WB也能够有效地避开障碍物，实现安全后退，验证了该方法的有效性和实用性。

🎯 应用场景

LF2WB框架可应用于搜索救援、勘探、农业等领域，提升腿足机器人在复杂未知环境下的作业能力。例如，在灾后救援中，机器人可以利用该技术在瓦砾堆中安全后退，寻找幸存者。在农业领域，机器人可以在田埂间灵活后退，进行精准作业。该技术有望降低机器人对环境感知的依赖，提高其自主性和适应性。

📄 摘要（原文）

Legged robots with egocentric forward-facing depth cameras can couple exteroception and proprioception to achieve robust forward agility on complex terrain. When these robots walk backward, the forward-only field of view provides no preview. Purely proprioceptive controllers can remain stable on moderate ground when moving backward but cannot fully exploit the robot's capabilities on complex terrain and must collide with obstacles. We present Look Forward to Walk Backward (LF2WB), an efficient terrain-memory locomotion framework that uses forward egocentric depth and proprioception to write a compact associative memory during forward motion and to retrieve it for collision-free backward locomotion without rearward vision. The memory backbone employs a delta-rule selective update that softly removes then writes the memory state along the active subspace. Training uses hardware-efficient parallel computation, and deployment runs recurrent, constant-time per-step inference with a constant-size state, making the approach suitable for onboard processors on low-cost robots. Experiments in both simulations and real-world scenarios demonstrate the effectiveness of our method, improving backward agility across complex terrains under limited sensing.