通过 CNN 实现动态 locomotion 的快速连续落足点自适应

腿式机器人能在大多数未知和粗糙地形上的导航任务中超越轮式机器。对于此类任务，视觉反馈是赋予机器人地形感知能力的基本要素。然而，在困难地形上以实时性能保证实现鲁棒的动态 locomotion 仍是一项挑战。我们在此提出一种基于视觉反馈的实时、动态落足点自适应策略。我们的方法以完全反应式的方式调整足端落点位置，仅使用板载计算机与传感器。校正沿每条腿的摆动相轨迹被连续计算并执行。为高效自适应落点位置，我们实现了一种基于卷积神经网络（CNN）的自监督落足点分类器。我们的方法相较于完备启发式方法实现了最高 200 倍更快的计算。我们的目标是响应来自环境的视觉刺激，弥合盲反应式 locomotion 与纯基于视觉的规划策略之间的差距。我们在动态四足机器人 HyQ 上评估了方法性能，在仿真与真实场景中执行静态与动态步态（速度高达 0.5 m/s）；整体机器人行为清晰展示了安全落足点自适应的益处。