STATE-NAV：面向崎岖地形双足导航的稳定性感知可通行性估计

双足机器人在以人为中心的环境中机动方面具有优势，但与轮式或四足机器人等其他稳定移动平台相比，面临更大的失败风险。虽然基于学习的可通行性已在这些平台上得到广泛研究，但双足可通行性却依赖于手动设计的规则，对崎岖地形上的运动稳定性考虑有限。在这项工作中，我们提出了首个基于学习的可通行性估计和风险敏感导航框架，用于在多样、不平坦环境中运行的双足机器人。TravFormer 是一种基于 Transformer 的神经网络，经过训练可以预测具有不确定性的双足不稳定性，从而实现风险感知和自适应规划。基于该网络，我们将可通行性定义为稳定性感知的指令速度——即保持不稳定性低于用户定义限值的最快指令速度。这种基于速度的可通行性被集成到一个分层规划器中，该规划器结合了用于时间高效规划的感知可通行性快速随机树星 (TravRRT*) 和用于安全执行的模型预测控制 (MPC)。我们在 MuJoCo 仿真和真实世界中验证了该方法，展示了改进的导航性能，与现有方法相比，在各种地形上具有更强的鲁棒性和时间效率。