Learning Purposeful Co-designs of Bio-inspired Quadrupedal Robots
作者: Fabio Boekel, Jiatao Ding, Cosimo Della Santina
分类: cs.RO
发布日期: 2026-11-02
备注: 10 pages, 7 figures, 6 tables
💡 一句话要点
提出生物启发的四足机器人共设计方法以提升适应性
🎯 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: 四足机器人 共设计 生物启发 强化学习 贝叶斯优化 形态控制 适应性
📋 核心要点
- 现有方法将形态与控制分开设计，限制了四足机器人的效率与适应性。
- 本文提出了一种结合强化学习与贝叶斯优化的两阶段框架，优化形态与控制的共设计。
- 实验结果表明，所提出的设计在检查和载荷任务中分别降低了18.6%和35.7%的运输成本。
📝 摘要（中文）
将形态和控制视为独立设计问题限制了四足机器人的效率和适应性，而现有的共设计方法往往受限于设计空间的局限。本文提出了Dogger，一种具有模块化三段腿、四杆连杆和可调被动膝关节顺应性的生物启发四足机器人。我们开发了一个结合强化学习和贝叶斯优化的两阶段框架：在不同设计中训练形态条件控制策略，然后在特定任务设计选择中保持固定。结果显示，零样本部署的设计和策略在检查和载荷任务中分别降低了18.6%和35.7%的运输成本。比较表明，全面的几何顺应共设计优于固定和受限的设计范围。跨任务测试进一步揭示了具有共享机械权衡的特定任务形态。这些结果为扩展物理设计空间与学习控制的结合提供了硬件级证据，强调了在腿部机器人中实现任务驱动形态-控制共设计的潜力。
🔬 方法详解
问题定义：本文旨在解决四足机器人设计中形态与控制分离的问题，现有方法在设计空间上存在局限，影响了机器人的适应性和效率。
核心思路：通过引入Dogger机器人，采用模块化三段腿和可调被动膝关节，结合强化学习与贝叶斯优化，实现形态与控制的共设计。
技术框架：整体架构分为两个阶段：第一阶段是训练形态条件控制策略，第二阶段是在特定任务设计选择中保持该策略固定。
关键创新：最重要的创新在于全面的几何顺应共设计方法，突破了传统固定设计范围的限制，提升了机器人的适应性。
关键设计：关键参数包括模块化腿的设计、四杆连杆的结构，以及可调的被动膝关节顺应性，损失函数和网络结构则基于强化学习和贝叶斯优化的结合进行设计。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的设计在零样本部署中，检查任务的运输成本降低了18.6%，而载荷任务则降低了35.7%。与固定和受限设计范围相比，全面的几何顺应共设计表现出更优的性能，验证了方法的有效性。
🎯 应用场景
该研究的潜在应用领域包括搜索与救援、环境监测和物流运输等场景。通过优化四足机器人的形态与控制，可以显著提升其在复杂环境中的适应能力和工作效率，未来可能推动机器人技术在更多实际应用中的落地。
📄 摘要（原文）
Treating morphology and control as separate design problems has constrained the efficiency and adaptability of quadrupedal robots, while current co-design approaches are often constrained by restricted design spaces. We overcome this limit by introducing Dogger, a bio-inspired quadruped with modular three-segment legs, four-bar linkages and adjustable passive knee compliance. A two-stage framework combining reinforcement learning and Bayesian optimization is developed: the morphology-conditioned control policy is trained across designs and then held fixed during task-specific design selection. The resulting designs and policies deployed zero-shot reduce the cost of transport by 18.6% and 35.7% for inspection and payload-carrying tasks. Comparisons demonstrate that full geometry-compliance co-design outperforms fixed and restricted design scopes. Cross-task tests further reveal distinct task-specific morphologies with shared mechanical trade-offs. These results provide hardware-level evidence that expanding the physical design space alongside learned control is essential to realize the full potential of task-driven morphology-control co-design in legged robotics.