A Bi-level Co-design Framework for Lunar Monoped with 2D Jump and Landing Control

📄 arXiv: 2610.37199v1 📥 PDF

作者: Sanjay Ramkumar, Suraj Kumar

分类: cs.RO, eess.SY

发布日期: 2026-10-27

备注: 8 pages, 13 figures

💡 一句话要点

提出双层协同设计框架以优化月球单足机器人跳跃控制

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 月球探测 单足机器人 跳跃控制 轨迹优化 差分进化 控制器设计 低重力环境

📋 核心要点

  1. 现有的月球探测机器人在低重力环境下面临腿部形态与控制策略相互依赖的挑战，影响其跳跃性能。
  2. 论文提出了一种双层协同设计框架，通过差分进化算法优化连杆长度，并结合不同控制器评估跳跃性能。
  3. 实验结果显示，轨迹优化方法在设计空间中表现优越，COT降低17%，并成功实现了稳定的二维跳跃控制。

📝 摘要（中文）

针对月球探测的腿式机器人，本文研究了在低重力环境下，腿部形态与控制器选择之间的相互依赖关系。采用双层协同设计框架，外层使用差分进化算法搜索连杆长度，内层则通过二次规划任务空间控制器（QP-TSC）或基于直接配点的轨迹优化评估每个候选方案。结果表明，轨迹优化在大多数设计空间中优于QP-TSC，成本运输（COT）降低了17%。进一步扩展至二维跳跃，轨迹优化结合重心角动量调节实现了稳定的原地和前向跳跃，LQR控制器则在着陆后吸收冲击并稳定机器人。

🔬 方法详解

问题定义：本文旨在解决月球低重力环境下腿式机器人跳跃控制的设计问题，现有方法未能有效平衡腿部形态与控制策略的相互影响。

核心思路：通过双层协同设计框架，外层优化连杆长度，内层评估不同控制器的性能，以实现最佳的跳跃效果。

技术框架：整体框架分为两个主要模块：外层使用差分进化算法搜索连杆长度，内层则通过QP-TSC和轨迹优化评估每个候选方案的跳跃性能。

关键创新：本研究的创新在于结合了差分进化和轨迹优化，首次系统性地探索了月球单足机器人的形态与控制器之间的协同设计。

关键设计：在设计中，连杆长度的选择基于不同控制器的性能评估，使用了二次规划和直接配点方法，确保了跳跃的稳定性和效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，轨迹优化方法在大多数设计空间中优于QP-TSC，成本运输（COT）降低了17%。在二维跳跃中，结合重心角动量调节的轨迹优化实现了稳定的跳跃控制，展示了该方法的有效性。

🎯 应用场景

该研究对月球探测任务具有重要的应用价值，优化的单足机器人能够在低重力环境中高效执行跳跃任务，提升探测能力。未来，该框架可扩展至其他行星探测或极端环境下的机器人设计，推动相关领域的发展。

📄 摘要（原文）

Legged robots for lunar exploration must be designed for low gravity, where reduced contact forces and long flight phases make leg morphology and controller choice interdependent. We study this for a planar monoped in lunar gravity ($1.625$ m/s$^2$) using a bi-level co-design framework: a differential evolution outer loop searches over link lengths, and each candidate is evaluated on a vertical jump by either a quadratic program based task-space controller (QP-TSC) or a direct-collocation based trajectory optimization. The two controllers yield different optimal link lengths, and trajectory optimization outperforms the QP-TSC across most of the design space, with 17% lower Cost of Transport (COT) at their respective optima. We then extend to a 2D jump, where trajectory optimization with centroidal angular momentum regulation produces stable in-place and forward jumps, and an LQR controller absorbs impact and stabilizes the robot after touchdown. This is demonstrated on a baseline morphology with both links 0.3 m long.