RAIBO-Wagon: Real-Time Navigation System for a Legged Robot Towing a Wagon

📄 arXiv: 2610.39267v1 📥 PDF

作者: Insung Yang, Eunchae Kim, Jungwoo Hur, Seunghun Jeon, Donghyuk Choi, Jemin Hwangbo

分类: cs.RO

发布日期: 2026-10-29

备注: 19 pages, 13 figures, 5 tables. Project page: https://insungyang.github.io/raibo-wagon/

💡 一句话要点

提出RAIBO-Wagon以解决腿式机器人拖拽车厢的导航问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 腿式机器人 导航系统 条件流匹配 模型预测控制 前向动态模型 耦合动态 实时控制

📋 核心要点

  1. 现有方法在腿式机器人拖拽外部物体时面临复杂的耦合动态，导致导航困难，尤其是在狭小空间中。
  2. 论文提出的导航框架结合了条件流匹配和模型预测路径积分控制，利用学习的前向动态模型来优化导航过程。
  3. 在15米长的狭小空间外部实验中，系统实现了85%的成功率，能够拖拽高达40kg的负载，几乎是机器人自重的100%。

📝 摘要（中文）

腿式机器人在多种现实任务中展现了先进的能力，但大多数进展仅限于机器人自身的控制。当机器人与外部物体（尤其是欠驱动物体）耦合时，整体动态变得更加复杂。拖拽车厢是一个常见的实际场景，耦合动态使得可靠导航变得具有挑战性。为此，本文提出了一种导航框架，将条件流匹配（CFM）与模型预测路径积分（MPPI）控制结合在一起，基于学习的前向动态模型（FDM）。该框架在真实环境中进行了验证，成功率达到85%。

🔬 方法详解

问题定义：本文旨在解决腿式机器人在拖拽车厢时的实时导航问题。现有方法在处理耦合动态时表现不佳，尤其是在狭小空间中，难以找到安全的导航路径。

核心思路：论文的核心思路是结合条件流匹配（CFM）和模型预测路径积分（MPPI）控制，通过学习的前向动态模型（FDM）来提高导航的可靠性和效率。CFM用于解决MPPI的初始化问题，加速其收敛，而MPPI则通过迭代优化超出CFM训练分布的可行解。

技术框架：整体架构包括三个主要模块：条件流匹配模型、模型预测路径积分控制和前向动态模型。首先，CFM用于生成初始路径，然后MPPI在此基础上进行优化，最后通过FDM进行动态调整。

关键创新：最重要的技术创新在于将CFM与MPPI结合，解决了传统方法在耦合动态下的局限性。通过这种组合，系统能够在复杂环境中找到更优的导航路径。

关键设计：在设计中，CFM模型的初始化参数经过精心调整，以确保其能够有效支持MPPI的收敛。同时，FDM的训练采用了多样化的动态数据，以提高模型的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，RAIBO-Wagon在40次试验中实现了85%的成功率，能够在15米长的狭小空间内有效导航，并成功拖拽高达40kg的负载，几乎达到机器人自重的100%。这一成果显著提升了腿式机器人在复杂环境中的实用性。

🎯 应用场景

该研究的潜在应用领域包括物流运输、救援任务和户外探险等场景，尤其是在复杂和狭小的环境中，能够有效提升腿式机器人的导航能力。未来，该技术有望推广至更多类型的机器人系统，增强其在实际应用中的灵活性和可靠性。

📄 摘要（原文）

Legged robots have demonstrated advanced capabilities across a wide range of real-world tasks, yet much of this progress concerns the robot controlling only itself. Once the robot is coupled to an external object -- particularly an underactuated one -- the dynamics of the combined assembly become more complex. Towing a wagon is a common practical scenario, where coupled dynamics make reliable navigation challenging. This difficulty is amplified in confined spaces, where collision-free navigation requires finding a narrow set of feasible paths under strict real-time constraints. To address this, we propose a navigation framework that combines Conditional Flow Matching (CFM) with Model Predictive Path Integral (MPPI) control over a learned Forward Dynamics Model (FDM). The CFM model mitigates the initialization problem of MPPI and accelerates its convergence, while MPPI with the FDM recovers feasible solutions beyond the CFM model's training distribution by iterative refinement. We integrate the framework into a full-stack navigation system for RAIBO-Wagon, a quadruped towing a custom wagon, and validate it in real-world outdoor experiments on 15 m-long courses through confined spaces, with all sensing and computation performed fully onboard. The system achieves an 85% success rate across 40 trials, towing a total load of up to 40 kg -- nearly 100% of RAIBO's body weight.