A Trainable CPG Framework for Quadruped Locomotion

📄 arXiv: 2610.36537v1 📥 PDF

作者: Xiyan Liu, Yide Liu, Guoyong Mao, Shaoxing Qu

分类: cs.RO

发布日期: 2026-10-27

💡 一句话要点

提出可训练的CPG框架以优化四足动物运动控制

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 四足机器人 运动控制 中央模式发生器 神经网络 步态转换 实时控制 仿生机器人

📋 核心要点

  1. 现有的四足动物运动控制方法在步态转换和速度调节方面存在不足，难以实现高效的运动控制。
  2. 本文提出的CPG-ENN框架通过结合中央模式发生器和执行神经网络，优化了四足动物的运动控制，简化了关节角度的计算过程。
  3. 实验结果表明，该框架在多种步态和速度组合下实现了99.39%的过渡成功率，显著提升了运动控制的稳定性和灵活性。

📝 摘要（中文）

本文提出了CPG-ENN，一个可训练的四足动物运动框架，结合了显式神经协调与学习的运动实现。该框架使用基于对称的八神经元中央模式发生器（CPG）提供步态节奏，同时一个预训练的、腿部共享的执行神经网络（ENN）将节奏信号和轨迹参数映射到关节角参考，而无需在线逆向运动学。单一反馈策略调节六个物理可解释的轨迹变量。该控制器能够在行走、慢跑、步态、跳跃和快速移动中跟踪平面速度和偏航率命令，且无需特定步态的学习控制器或过渡特定的奖励。仿真结果显示，在所有20对定向步态和源-目标速度组合中，过渡成功率达到99.39%。消融实验表明高跨步态过渡的可行性，且主要通过暴露来细化步态获取和速度瞬态。

🔬 方法详解

问题定义：本文旨在解决四足动物运动控制中的步态转换和速度调节问题，现有方法往往依赖于复杂的逆向运动学，导致实时性差和灵活性不足。

核心思路：论文的核心思路是通过结合中央模式发生器（CPG）和执行神经网络（ENN），实现步态节奏的生成与关节角度的直接映射，从而简化运动控制过程。

技术框架：整体架构包括一个八神经元的CPG模块负责生成步态节奏，ENN模块则将节奏信号和轨迹参数映射到关节角度，控制器通过反馈策略调节六个轨迹变量。

关键创新：最重要的技术创新在于引入了可训练的CPG与ENN的结合，使得控制器能够在不依赖特定步态学习的情况下，灵活应对多种运动模式。

关键设计：在设计中，使用了腿部共享的执行神经网络，避免了在线逆向运动学的复杂性，同时通过单一反馈策略调节多个物理可解释的轨迹变量，提升了控制的效率与稳定性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，CPG-ENN框架在20对定向步态和多种速度组合下实现了99.39%的过渡成功率，显著优于现有方法。此外，消融实验表明该框架在跨步态过渡方面具有高可行性，且暴露主要用于细化步态获取和速度瞬态。

🎯 应用场景

该研究的潜在应用场景包括四足机器人、仿生机器人以及其他需要高效运动控制的自动化系统。通过优化运动控制，能够在复杂环境中实现更灵活的导航与操作，未来可能对机器人技术和自动驾驶领域产生深远影响。

📄 摘要（原文）

We present CPG-ENN, a trainable quadruped locomotion framework that combines explicit neural coordination with learned motion realization. A symmetry-based eight-neuron central pattern generator (CPG) supplies gait rhythms, while a pretrained, leg-shared execution neural network (ENN) maps rhythmic signals and trajectory parameters to joint-angle references without online inverse kinematics. A single feedback policy modulates six physically interpretable trajectory variables. The controller tracks planar velocity and yaw-rate commands across walk, trot, pace, bound, and pronk without gait-specific learned controllers or transitionspecific rewards. Simulation yields 99.39% transition success across all 20 directed gait pairs and all source-target speed combinations from {0.5, 1.0, 1.5, 2.0} m/s. Ablations show high cross-gait transition feasibility without transition exposure; exposure mainly refines gait acquisition and velocity transients. Comparisons with AllGaits and Walk These Ways demonstrate accurate gait-speed regulation, and Unitree Go2 experiments validate five gaits and their transitions.