足式爬行機器人研究進展與發展趨勢

陳致遠,涂群章,張詳坡,潘 明,蔣成明,黃 皓

(陸軍工程大學 野戰工程學院， 南京 210007)

足式移動機器人(以下簡稱為足式機器人)，有別于輪式、履帶式移動機器人，是通過驅動類似于腿的裝置來移動自身的機械系統。自20世紀60年代Mosher等[1]研發了第一款足式機器人以來，該機器人由于對復雜地形有著良好的適應性，受到了廣大科研工作者的關注。

如圖1所示，足式機器人根據運動形式可以分為足式爬行機器人和足式步行機器人。足式步行機器人的腿部機構位于機體的下方，機體、腿、足呈豎直分布，類似于哺乳動物；足式爬行機器人的腿部機構安裝在機體的側面，一般來說靠近機體的腿節水平布置、靠近足端的腿節豎直布置，類似于昆蟲。與步行機器人相比，足式爬行機器人可以在更寬闊的空間中選擇落腳點，在復雜地形上展現出更好的通過性。另外，較大的支撐多邊形和較低的重心使得足式爬行機器人具備較好穩定性。因此足式爬行機器人在人道主義掃雷[2]、軍事偵察[3]、星球探索[4]等領域具有顯著的優勢和廣闊的應用前景。

圖1 步行機器人與爬行機器人的不同特征效果圖

足式爬行機器人可以按照遙控指令或自主地通過步行機器人難以通過的復雜山地陡坡，這對其運動的精度、穩定性、續航能力提出了很高的要求。其腿部串并聯機構的強耦合性和工作環境的復雜性導致足式爬行機器人運動穩定性的控制是一個不易解決的問題。因此，設計出結構精良、運動控制精確、能量效率高的足式爬行機器人吸引著國內外眾多研究人員，是當今機器人領域的研究熱點之一。

本文首先對足式爬行機器人近十年來國內外研究進展進行了總結，將足式爬行機器人分為仿生和非仿生兩類綜述其結構與性能特點；從腿臂機構的創新設計、穩定性標定技術、爬行步態規劃與運動控制、機器人感知技術4個方面介紹了足式爬行機器人研究的關鍵技術；并對足式爬行機器人的發展趨勢進行了展望。

1 足式爬行機器人分類及研究進展

1.1 非仿生足式爬行機器人

國內外對非仿生足式爬行機器人開展研究的機構主要有賓夕法尼亞大學[5]、日本東京工業大學[6]、北京航空航天大學[7]等。按照有無可變機構設計，將上述機構研制的幾款非仿生足式爬行機器人分為兩類分別介紹其結構和功能，如表1所示。

表1 非仿生足式爬行機器人列表

2010年，賓夕法尼亞大學在RHex[8]的基礎上研制了新一款的六足爬行機器人X-Rhex[5]。如圖2(a)所示，RHex的腿部是一個半圓形機構，通過腿部的旋轉運動推動機體移動；雖然機械結構簡單，但是RHex可以實現爬行、前翻、爬樓梯等多種運動。X-RHex機體框架使用表面覆蓋碳纖維的鋁板，C型腿采用玻璃纖維，在減輕質量的同時增加了框架剛度。機體更加輕巧堅固，即使受到嚴重沖擊也能保證機體內部硬件不受破壞。質量的降低也在一定程度上優化了機器人的機動性能。

圖2 無變構設計足式爬行機器人效果圖

2016年，東京工業大學研制了最新一款的TITAN系列機器人——TITAN-XIII[10]，如圖2(b)所示。相較于之前版本的TITAN機器人[6]，TITAN-XIII裝有新型的傳動裝置，采用超高分子量聚乙烯纖維替代傳統絞線，因此有著更加緊湊的機身、更輕盈的質量、更快的移動速度、更高的比功率以及更強的續航能力。通常來說爬行機器人在能量效率、移動速度上都不如步行機器人，但是TITAN-XIII的能量效率可以與步行機器人(StarlETH[11]等)比肩，它的弗勞德數(衡量機器人移動速度的標準化系數)與步行機器人(Cheetah Robot[12]等)大致相等。

如圖2(c)所示，北京航空航天大學研制了一款質量僅為190 mg的小型輕量化足式爬行機器人[7]?？梢酝饨与娫椿驒C載電容通過鋁硅鍵合線給機身兩側的極板供電，在機身內部形成電磁場，利用機身內部鎳鈦束的自激靜電作用驅動機器人運動[13]，速度可達30 mm/s(約1.5身長/s)。但是機器人的運動穩定性難以保證且無法控制其運動軌跡。在此基礎上，北京航空航天大學于2019年研制了一款新型的電磁驅動的微型足式爬行機器人[14],如圖2(d)所示?？傎|量僅為137 mg的機器人最大爬行速度可達232 mm/s(約18.9身長/s)。當施加在電磁鐵上的交流電壓的頻率與系統的固有頻率相匹配時，機身前側的永磁體和橫梁會在周期性電磁力的作用下激發共振，與橫梁連接的前腿會與地面產生向上向前的力，實現爬行機器人的向前躍動。

2019年，國立首爾大學研制了一種可雙面爬行的六足機器人MutBug[15]，如圖2(e)所示。MutBug結構緊湊，高度僅有15 mm。無論是頂面朝上爬行還是底面朝上爬行，最大速度都可以達到0.53 m/s(約5身長/s)，即使在復雜地形上機體傾覆，也不會影響到MutBug的正常運行。

2020年，哈爾濱工業大學研制了一種四足機器人[16]，如圖2(f)所示。該機器人由機體、4個懸臂腿、4個偏心輪振動電機等模塊組成。通過偏心振動馬達的激勵，懸臂腿與地面之間產生的摩擦力能夠驅動機體向前、向后和轉彎運動。該機器人沒有復雜的機械傳動裝置，運動靈活、速度快，具有一定的承載和越障能力。

為了提高機器人的移動速度及對復雜地形的適應能力，有些科研人員將足式結構與輪式、履帶式、球式結構相結合，設計了輪-足、履-足、球-足復合的可變腿部結構。

2010年，東京工業大學研制了一款履-足復合的四足爬行機器人TITAN-X[17]，如圖3(a)所示。TITAN-X可以根據地形選擇運動形式，在復雜崎嶇的地形上采用足式行走，在平坦或起伏不大的地形上采用履帶行駛。其爬行速度可達0.15 m/s，采用履帶行駛時可以穩定不打滑地上下樓梯、順利通過400 mm寬的壕溝，履-足配合能夠翻越高度的是其1.8倍的障礙。

2014年，臺灣大學研制了一款輪-足復合的四足爬行機器Quattroped[18]，如圖3(b)所示，其包含了結構可變的輪腿機構：在崎嶇地形上采用的C型腿結構，能夠實現類似于X-RHex機器人的爬行運動；在平臺路面上采用的輪模式，則能夠實現機器人的快速機動。

2017年，豐田公司研制了一款模塊化的足式爬行機器人Snapbot[19]，如圖3(c)所示。機器人有3組(翻滾-俯仰、偏航-俯仰、翻滾-俯仰-偏航)共18個模塊化的腿部機構，通過磁性聯軸器與機體連接0～6條腿，可以組成700種不同的構型。機體可以識別出腿的配置方式進而采用不同的步態進行運動。

2019年，北京航空航天大學設計了一種將球形無人機與足式機器人相結合的混合式運動機器人[20]如圖3(d)所示。通過1個旋翼和8個尾翼可以實現空中飛行。在地面運動時，可以將4條3自由度腿部機構伸展在崎嶇地面上爬行，也可以將腿部機構蜷縮在地面上滾動。此外，4條腿部機構還可以用于搬運物體，輔助飛行著陸。目前該機器人的研制處于模擬仿真階段，尚未研制出原理樣機。

1.2 仿生足式爬行機器人

自然界中存在多種足式爬行生物，為研究仿生足式爬行機器人在運動機理和行為方式、感知模式和信息處理、協調控制和計算推理、能量代謝和材料結構等多方面提供了參考。本研究按照仿生原型對國內外研制的仿生足式爬行機器人進行分類總結，如表2所示。圖4展示了這些機器人與其仿生原型。

圖3 變構設計足式爬行機器人效果圖

表2 仿生足式爬行機器人列表

2012年，南京林業大學以甲蟲為仿生原型，設計了仿生甲蟲六足機器人[21]。軀體呈橢圓形結構，六條腿分布在機體兩側。采用關節電機驅動機器人運動，并且規劃了機器人的直行和定點轉彎步態。為減輕機器人質量提高移動速度，機體采用鋁合金材料，腿部采用高強度塑料。

2013年，哈爾濱工程大學研制了一款六足仿蜘蛛機器人[22]。機器人每條腿有3個自由度，能夠采用三角步態實現直行、橫行和定點轉彎。設計了中樞模式發生器，控制機器人的步態切換以提高對復雜環境的適應性。

2015年，新加坡科技設計大學以一種棲息在沙漠中的獵食性蜘蛛Cebrennus rechenbergi為仿生原型研制了一款自重構的仿生機器人Scorpio[23]。正常情況下，蜘蛛采用八條腿爬行運動。然而，如果受到外界刺激或威脅，蜘蛛可以快速地翻滾以規避潛在的危險?；诖?，Scorpio有兩種基本構型，可以實現四足爬行和環形滾動。2017年，Scorpio又被賦予了爬墻的能力用以城市環境下的偵察與搜尋任務[25]。

2015年，凱斯西儲大學研制了一款仿生螳螂機器人MantisBot[26]。通過分析螳螂肢節的活動形式和關節轉動范圍，Nicholas為MantisBot設計了28個自由度來盡可能地模擬螳螂的運動。

圖4 仿生足式爬行機器人及其仿生原型效果圖

2016年德國人工智能研究中心研制的仿生螳螂機器人MANTIS[27]旨在實現非結構化地形上的高機動性以及操作能力。類似于螳螂，MANTIS有四足爬行和六足爬行兩種基本運動姿勢，其中兩條前腿可以作為手臂，通過配備的夾持器使得其能夠執行雙臂操作。電池以及控制器等電子設備安裝在機器人機體后部類似于螳螂腹部的位置，可以平衡上半身的重量。

為了讓機器人具備水陸兩棲的運行能力，哈爾濱工程大學于2017年研制了一款新型仿生蟹機器人[28,29]。該機器人擁有6條三自由度的爬行腿和兩條三自由度的劃槳，可以在陸地和海床爬行，也可以利用兩支劃槳在水中游動，腿槳復合驅動拓寬了機器人的運動形式。實驗結果表明，相較于傳統的波浪步態，機器人在水中運行時采用腿槳復合步態能夠提高54%的移動速度并且降低45.6%的總運輸成本(total cost of transport,TCoT)。

2018年，印度理工學院設計并制作了一款仿鱷魚機器人，Alli-bot[30]。該機器人以短吻鱷為仿生原型，有四條二自由度的爬行腿。機體軀干軸上共有4個轉動關節可以有效模仿短吻鱷擺動爬行。Agrawal 采用貝葉斯方法優化了步態參數，使得機器人的平均移動速度提高了93%。

2019年，Xing等[31]研制了一種新型小型海龜式水陸兩棲機器人ASRobot，可用于執行海底復雜環境下的探測任務。特別的，Xing設計了一種腿式多矢量水射流復合推進機構(Legged Multi-Vectored Water-Jet Composite Propulsion Mechanism,LMVWCPM)。該機構由一個水射流推進器和3個轉動關節、3個連桿組成。利用該機構，機器人能夠在路面地形爬行，在水下環境游動。

國內外學者的研究探索下，仿生多足移動機器人在仿生機構設計與運動控制等方面都取得了長足的進展，并初步具有了高級生命形態特征。

2 靈巧機構的創新設計

機械結構設計是開展機器人運動和控制研究的前提和基礎。巧妙的機構設計能夠有效地提高機器人的運動能力，降低對驅動器、控制器的性能需求，拓展機器人的功能，減少機器人的能源消耗。

KeisIuke[32]為TTAN-IX設計了足端執行器更換裝置，通過更換搭載在機體上的掃雷探測器、鏟型爪具等排雷工具，使得機器人可以應用于人道主義掃雷行動。當然，如果更換其他工具，機器人還可以執行另外的任務。四條腿采用模塊化設計，當掃雷過程中某條腿發生損壞時可以進行替換。同時，考慮到工作環境的復雜性，Keisuke在膝關節處添加一對連接大腿和小腿的子連桿擴大了膝關節的運動范圍，如圖5所示。

圖5 TITAN-IX腿部機構示意圖

2016年，Satoshi[10]為最新一代的TITAN-XIII設計了一個內部安裝了張緊螺栓的傳動帶輪以便于調節纖維絞線張緊力，如圖6所示，有效解決了纖維的變形伸長問題。

圖6 TITAN-XII張緊裝置示意圖

設計機器蟹時，陳東良[33]創新性地將應變梁結構應用于機器蟹足端的力覺檢測與反饋系統，這能夠極大程度地簡化機構。實驗結果表明：系統測量精度高，響應時間短，能夠有效地感知障礙物情況，提高了機器蟹對復雜障礙環境的適應性。王立權[34]在通過蝸輪蝸桿減速器將轉矩從嵌入在肢節中的電機傳遞到關節處。利用蝸輪蝸桿傳動的自鎖特性保證機器人在突然斷電的情況下能夠保持姿態避免傾覆損壞。

對于復合移動機器人，Ryuichi[17]在研制腿-履復合移動機器人TITAN-X時將履帶驅動系統集成在爬行驅動系統中，克服了傳統復合移動機器人驅動復雜的問題。小型輕量化的運動模式變換機構克服了傳統復合移動機器人質量重、體積大的問題，能有效發揮足式和履帶式運動的優勢。

在驅動器方面，Meng[35]設計了一種由形狀記憶合金(Shape Memory Alloys,SMA)制成的彈簧驅動的爬行機器人。該機器人通過存儲和釋放形狀記憶合金的彈性能量來驅動機器人內部的滑塊進行往復運動，進而帶動機體向前運動。機器人內部機構示意圖如圖7所示。更特別的，Alexander[36]和Kim[37]使用折紙來構造機器人的驅動機構，如圖8所示。折紙塔類似于彈簧可以伸長和壓縮，左右兩個直流電機分別驅動左右兩個折紙塔的伸縮，實現向前運動和轉向。紙張質量輕的特點為輕型機器人的研制提供了新思路。

圖7 SMA彈簧驅動機器人機構示意圖

圖8 折紙塔驅動機器人示意圖

正如上文所討論的，創新性的機構設計能夠有效提高機器人性能，研究爬行生物的結構機理將進一步推進足式爬行機器人的發展。

3 穩定性標定技術

足式爬行機器人的主要功能是提供穩定的運動，特別是在崎嶇的山地環境下不發生跌倒,因此穩定性分析對多足機器人的控制是非常重要的。目前學者們提出了多種衡量運動穩定性的判據，通常分為靜態穩定性標準和動態穩定性標準。本文依據判定指標進一步將穩定性判據分為四類：基于距離、角度、能量、力的穩定性判據，如圖9所示。

圖9 運動穩定性判據分類框圖

基于距離的穩定性標準關注重心投影與支撐多邊形之間的距離。通過確定機器人重心的水平投影位置是否在機器人足端構成的支撐多面體內部來判斷其穩定與否，并將重心的水平投影距支撐多邊形的最短距離定義為穩定裕度(Stability Margin,SM)，如圖10所示。

SSM=minLi,i=1,2,…,n

其中：n為支撐腿的數量；Li為重心水平投影位置到第支撐多邊形第i邊的距離。

圖10 SM計算示意圖

基于角度的穩定性標準采用作用在重心上的合力矢與支撐多邊形之間的角度作為衡量穩定性的標準。在這類穩定性標準中被廣泛使用的是力角穩定裕度(Force Angle Stability Margin,FASM)[38]，當在重心上的合力矢FR與豎直方向之間的角度α的乘積為零時系統被判定為不穩定，合力矢與最小角度的乘積即為FASM。然而，力角測量需要精確的接觸點位置和矢量計算，在不規則地形上的使用是一個嚴峻的挑戰。

SFASM=||FR||·min(αi)

考慮到重心高度和機器人質量的影響，Hirose[39]和Garcis[40]分別將機器人繞支撐多邊形邊界發生側翻的最小勢能的能量穩定裕度ESM和考慮外力以及慣性負載影響下的動態能量穩定裕度DESM進行了標準化，提出了標準化能量穩定裕度(Normalized Energy Stability Margin，NESM)和標準化動態能量穩定裕度(Normalized Dynamic Energy Stability Margin，NDESM)。

其中：i為支撐多邊形作為傾覆軸的邊；Δhi表示以i邊傾覆時COG高度的變化；Ei表示i邊的穩定性度量。

當機器人發生側翻時，除了組成側翻軸的支腿，其他支腿的足端力將變為零?；诹Φ姆€定性標準通過考察機器人足端接觸力的情況來判斷機器人的穩定性。MAHDI[41]提出了一個能夠度量足端力穩定性的判據——足端力穩定裕度(Foot Force Stability Margin,FFSM)，并基于此推導了適用于在線和實時控制器的改進足端力穩定裕度(Modified Foot Force Stability Margin,MFFSM)。

其中：fi表示第i個支撐腿足端力的豎直分量；hi為COG高度；Pi為由重心位置指向重心在支撐面投影點到傾覆軸垂足的向量，如圖11所示。

圖11 FFSM和MFFSM計算示意圖

Elena[42,43]基于SOIL4在6種不同地形上的運動計算了SM、FASM、NESM等穩定裕度；Mahdi[44]對比了FASM、FFSM、MFFSM。實驗結果均表明，應根據機器人的應用場景采用合適的穩定判據來控制機器人的步態，否則可能會影響機器人的工作性能，尤其是在不規則地形上考慮慣性力和外力影響的情況下，不存在最優標準。

4 爬行步態規劃與運動控制

步態規劃的主要參數包括腿的運動順序和時間，以及支撐階段和運動階段的比例。足部爬行機器人的步態可分為周期步態和非周期步態，其中周期步態可分為連續步態和非連續步態。適當的步態規劃可以提高機器人的運動速度，增加穩定性裕度，降低機器人的能量消耗。在步態規劃的基礎上，運動控制是設計一個有效的控制器使得機器人達到預期的運動。國內外學者提出了多種足式爬行機器人的步態規劃和運動控制策略。本文將這些控制策略分為三類:基于模型的控制策略、自適應控制策略和仿生控制策略。

4.1 基于動力學模型的控制技術

Loeffler[45]提出了一種3層架構控制器，如圖12所示。上層基于3種基本的運動形式(站立、行走、小跑)規劃機器人的運動，這3種行走模式的最優軌跡都是離線計算好的，可以在運行時直接訪問；中層是建立在Pentium III芯片上的動力學模型，通過來自傳感器的數據計算關節狀態；底層采用PID控制器控制關節運動。

圖12 3層架構控制器框圖

GO[46]同樣采用運動學模型控制六足機器人，列出約束條件求解機器人逆運動學。但是算法假設機體坐標系始終與地面平行，不能用于非均勻地形。為了解決在線計算量大的問題，Loc[47]提出了一個基于三維幾何分析的算法，該算法使得機器人在執行下一個步態時不需要進行復雜的逆運動學計算就獲得穩定的姿態空間，提高了機器人在復雜地形條件下的通行效果和效率，并基于MRWALLSPECT IV機器人進行了仿真和實驗驗證，試驗表明機器人能夠有效克服跨度是其腿長70%的障礙。Satoshi[48]基于縱向加速軌跡算法(longitudinal acceleration trajectory,LAT)提出了LA-不連續對角步態并將其應用于TITAN-XIII，實驗表明機器人能夠保持動態穩定性。

文獻[49]中針對液壓驅動機器人提出了一種結合剛度控制和阻尼控制的基于位置的阻抗控制方法。該方法可以有效地解決傳統位置/力控制中位置控制和力控制之間的切換導致關節電機速度快速變化的問題?；诹銠C器人簡化模型，文獻[50]中提出了一種包括位置PID閉環控制和姿態PID閉環控制的閉環控制策略。仿真和樣機實驗結果表明，該六足機器人在非均勻地形下具有良好的適應性。

由于機器人系統以及運行環境越來越復雜，難以對機器人在其環境中的行為進行準確建模，控制器的參數需要在線更新，不利于進行實時控制。

4.2 地形-步態自適應控制技術

由于機器人的參數不能精確已知，且模型參數與實際系統參數不符將會產生伺服誤差。因此，采用自適應控制方法，有望通過學習算法不斷更新模型參數以消除誤差提高控制精度。

Kirchner[51]基于六足機器人SIR ARTHUR，采用分層Q-學習法使得機器人能夠實現目標導向的行走行為。該自適應算法具有三層學習性能：第一階段是基本動作的學習，如單腿的擺動和站姿動作，目標是在狀態空間中盡可能地尋找和跟蹤最優軌跡；第二層是按一定的時間序列激活基本動作以執行運動行為，如整個機器人的向前移動；第三層學習如何采用第二層的復雜行為實現給定環境和外部刺激下的目標行為?？刂圃砣鐖D13所示。

圖13 分層Q-學習法控制原理框圖

Elena[52]受到動物在外力干擾后步態調整方式的啟發，提出了一個能最大限度提高動態能量穩定裕度的步態參數適應算法，并基于此算法設計了一個能夠補償穩定性變化的自適應控制器，從而使得機器人能夠在面對外力干擾時做出穩定的反應，并將控制器應用于其研發的SILO4，實驗表明機器人的移動速度提升了15%，對外力干擾的魯棒性提高了70%。Uluc[5]提出了一個多點碰撞模型用于表征RHex的翻轉運動，并基于此運動模型設計了一個自適應控制器。實驗結果顯示，機器人在泥土、瀝青以及地毯上能夠成功實現傾覆后的自動恢復。

4.3 仿生控制技術

仿生控制試圖將生物控制理論應用于工程，通過模仿生物神經系統建立數學模型或進行工程模擬。中樞模式發生器(Central Pattern Generation,CPG)是生物控制和產生節律性運動的低級神經中樞。Wilson[53]指出CPG的活動既不依賴高級神經中樞的指令也不需要感覺反饋就能使生物體做出適應外界環境的活動。

Bernhard[54]提出了一種基于生物應激反應的運動控制方法。CPG根據外界刺激把基本運動庫以及基本姿態庫中一種或幾種運動進行組合，形成目標運動模式?？刂圃砣鐖D14所示。機器人可以在沒有高級的運動規劃和復雜的外部傳感器的情況下穿越崎嶇陡峭的地形。

圖14 CPG控制原理框圖

Liu[55]將CPG用于四足機器人AIBO的運動控制，實現了機器人四種步態的平滑轉換。WANG[56]提出了一種由CPG和工作空間軌跡規劃器組成的四足機器人運動控制框架。利用CPG對不同步態產生不同的節律信號，軌跡規劃器計算足部期望位置。這種運動控制框架兼具仿生控制和模型控制的優勢，仿真結果表明了該方法的實用性和簡單性。Espinal[57]提出了一種尖峰神經網絡(spiking neural network,SNN)用于控制四足機器人運動。SNN作為一種CPG可以通過配置突觸權重和拓撲結構等參數產生不同的運動模式，該系統已在兩個機器人平臺上進行了實現和驗證。同樣基于生物CPG，Liu[58]提出了一種由耦合振蕩器組成的對稱CPG結構，它可以生成穩定、自然的步態模式。通過引入旋轉矩陣作為耦合項，實現了平穩快速的步態切換。此外，將機體姿態信息作為CPG網絡的反饋進行傳輸，提高了系統在斜坡等不平坦地形中的適應性。仿真和實物樣機試驗結果驗證了該控制策略的可行性。Szczencinski[59]基于昆蟲神經系統自適應控制，考慮到控制28自由度的MantisBot各關節需要大量計算，為機器人設計了四種基本反射行為。該機器人可以通過神經網絡控制系統產生的局部反射來實現機動，而無需進行步態規劃或大量計算。Li[60]提出了一種采用通用內部模型(General Internal Models,GIMs)的學習方法。采用GIMs，仿生機器人可以學習和模仿動物運動。在蛇形機器人和魚形機器人上的實驗，驗證了該方法的有效性。此外，Li指出GIM具有通用性，利用仿生神經網絡可以學習任何類動物的運動模式。

5 機器人感知技術

隨著視覺傳感器技術的發展進步，足式移動機器人能夠“看到”周圍環境，有利于提高復雜路面上的避障、越障能力。

X-RHex[9]擁有良好的負載能力，能夠搭載諸如GPS、激光雷達、網絡攝像頭、無線適配器等模塊，具備在野外山地和室內樓梯間環境下對目標位置實現自主導航的能力，在軍事偵察和城市搜救方面具有很大的實用價值。Scorpio[24]利用慣性測量單元能夠在跌倒后自主恢復到站立步態并且能夠通過感知地形選擇合適的形態和運動方式。MANTIS[27]各條支腿的末端都搭載了豐富的傳感器，頭部搭載了立體攝像系統、慣性測量單元以及激光雷達傳感器，機器人能夠全方位地獲取自身運動以及環境數據。

紅外線、激光或超聲波傳感器常用于測量距離數據以識別路況，劉宇飛等[61]在用于月球探測的六足機器人上搭載激光測距儀，如圖15(a)所示，基于測量信息對環境地形建模，進而規劃運動軌跡實現自主避障。但是這種通過接受光信號或聲音信號用于數字計算的方法容易受到周圍環境的干擾不利于精確建模，進而限制機器人的移動能力。

另一種方案則是采用視覺傳感器，通過處理攝像機捕捉到的圖像數據，將其解釋為機器人路徑規劃的有用信息。Acevedo[62]提出了一個新型的采用靜態單目攝影機的全方位360度視覺系統來導航機器人移動。該系統由單目靜態攝像機、凹面反射面和處理器單元以及機器人本體組成，如圖15(b)所示。攝像機通過仰視凹面反射面的焦點可以360°全方位地觀察機器人周圍的環境。使用處理器單元進行圖像處理，形成以機器人為中心的模擬環境。

圖15 視覺傳感器在機器人上的應用效果圖

另一方面，雙目視覺能夠獲得三維的場景信息，能夠更好地感知環境。對此，宋海濤等[63]提出了一種雙目立體視覺系統，通過引入尺度不變特性變換算法有效地解決了雙目視覺的立體匹配問題。實驗結果表明，搭載了該系統的移動機器人能夠完成自動入庫任務。

隨著傳感技術的發展進步，多足移動機器人實現了從模仿爬行動物的簡單移動到擁有外界環境感知力和智能運動控制的跨越式發展。

6 足式爬行機器人發展趨勢

在國內外學者的研究探索下，足式爬行機器人在機構設計與運動控制等方面都取得了長足的進展。足式爬行機器人已經能夠實現在復雜地形上穩定行走，但機動性和靈活性遠不如足式爬行生物，存在移動速度低，能量效率低等問題。結合以上對該領域研究成果的總結，本文預測未來足式爬行機器人的研究和發展將針對以下幾個方面展開。

1) 運動機理仿生化。目前已經有很多學者研制了多種仿生足式爬行機器人，但是存在模型建立不夠精確的問題。一方面，對足式爬行生物生理結構的深入揭示將給足式爬行機器人機構設計帶來新的啟發。另一方面，從爬行昆蟲的運動控制中汲取靈感，在現有研究基礎上進一步探索生物神經控制系統提高足式爬行機器人的運動精度和靈活性。

2) 能量利用高效化。搭載大容量的電池在提高機器人運行時間的同時降低了能量利用效率，因為額外的電池增加了機器人的負載。Aarom[64]通過調整機器人靜止站立時機體的姿態優化了腿部關節的輸出轉矩，顯著減小了站立姿態驅動器的輸出功率。Hirone[65]通過優化機器人步長、跨寬、機體仰角、運動速度和足端輸出力5個參數，有效地提高了機器人的能量效率。如何協調運動性能和能量損耗提高能量利用率是足式爬行機器人的發展趨勢之一。

3) 結構材料新型化。新型材料的運用能進一步提高機器人的運動性能。例如，TITAN-XIII[10]采用超高分子量聚乙烯纖維制成的絞線在保證傳動性能的前提下減輕了整機質量，有效地提高了機器人的比功率；X-RHex[5]機體框架使用表面覆蓋碳纖維的鋁板，在減輕質量的同時增加了框架剛度，機體更加輕巧堅固；德國人工智能中心在2016年研制的MANTIS[27]機身結構是由鑄鋁部件和用碳纖維加固的塑料管組成的。足式爬行機器人的結構材料將采用新型材料而不是鋼材、塑料等傳統材料，從而提高能量利用效率、增強環境適應性。

4)運動模式復合化。例如，TITAN-X[17]集履帶、腿足于一體在復雜地形上有很強的通過性；Quattroped[18]采用結構可變的輪腿機構兼具輪式機器人的移動速度和足式機器人越障能力。多種運動模式的有效結合將全方位地提高機器人的運動能力。

5)感知技術多?；?。視覺傳感器和SLAM技術[66-67]的發展讓機器人擁有“眼睛”成為現實。觸覺可以提高機器人對外界的認知，增強對外界的交互性?，F階段機器人觸覺的發展主要分為觸覺傳感器[68-70]和新型電子皮膚觸覺傳感器陣列[71-73]的研制，由于制作工藝、成本和能耗的問題尚未大面積應用于實踐[74]。嗅覺[75]可以讓機器人應用于災害搜救、污染物排查等特殊領域[76-77]。多感官感知技術的融合或是足式爬行機器人智能化發展的方向。

7 結論

本文首先對近十年足式爬行機器人研究成果進行綜述，分非仿生和仿生兩類介紹若干足式爬行機器人結構與性能特點，并總結歸納了該領域的關鍵技術：機器人機構的創新設計，穩定性標定技術，爬行步態規劃與運動控制以及視覺感知技術。隨著該領域加入了越來越多的科研團隊，足式爬行機器人的發展也是日新月異，未來的足式爬行機器人將實現運動機理仿生化、能量利用高效化、結構材料新型化、運動模式復合化和感知技術多?；?。