RAIBO-Wagon：四足机器人拖挂拖车的实时导航系统

图2：四足机器人牵引小车执行实时导航的总体系统。机器人首先用车载激光雷达（LiDAR）构建环境的三维占据地图（occupancy map）。随后一个轻量级 A* 规划器生成全局路径，并从该路径上选取位于机器人前方 3 米处的一个航点（waypoint）。当前导航观测——包含本体感知测量、一次 LiDAR 扫描与相对偏航角——连同该航点一起输入 CFM（条件流匹配，conditional flow matching）模型，生成供 MPPI 优化器（采样式滚动预测控制）使用的初始命令样本。这些热启动样本再通过注入衰减的高斯噪声、并在学习得到的前向动力学模型（FDM）下评估滚动预测而迭代精化。经过若干次迭代后，优化序列中的第一条命令以 SE(2) 速度命令（平面刚体的位姿与速度表示）的形式下发给底层运动控制器。图片出处

图5：(A) 展示由无人机拍摄的真机部署快照。(A-1) 展示在 Terrain D 上的整体导航轨迹。(A-2) 展示同一地形上 6 个 CFM 模型初始样本与最终优化结果的示例，编号为 (1) 至 (6)。蓝点是同时提供给 CFM 模型与 MPPI 的航点。黄色线条是 CFM 模型给出的 256 条样本，绿色线条是 MPPI 最终优化出的命令序列。(B) 展示局部规划器输出的命令及其运行时间。(B-1) 至 (B-3) 分别展示优化后命令的前向、横向与角速度。(B-4) 展示每个规划周期在车端（onboard）的运行时间：CFM 采样耗时、MPPI 精化耗时及二者之和。图片出处

内容摘要

四足机器人拖上拖车后，组合体成为欠驱动系统、占地更大、运动方向被车轮限制，在窄走廊和门洞这类受限空间里很难机动；以往基于显式四足—拖车动力学建模的轨迹优化计算代价高，只能短时域或预规划轨迹演示，难以实时自适应执行。

作者提出把条件流匹配（CFM）与模型预测路径积分（MPPI）结合、在学到的前向动力学模型（FDM）上滚动评估：离线用专家流程（先规划考虑拖车构型的路径，再用 MPPI 跟踪）蒸馏出 CFM 模型；运行时 CFM 生成 256 条候选指令序列，MPPI 再以高斯扰动迭代精炼、由 FDM 逐条评估——CFM 缓解 MPPI 的初始化问题，MPPI 又能把解推到 CFM 训练分布之外。系统全在机载 NUC 15 Pro 上运行，每个规划周期约 0.3 s。

真机在 15 m 赛道、40 次试验、八种地形（含行人与静态障碍）上成功率 85%，牵引总载荷最高 40 kg、接近自身体重；仿真中最难的 Slalom 与 Corridor 场景成功率是原始 MPPI 基线的两倍以上。失败分两类各三次：三次在建图——为免拖车被当成障碍而屏蔽激光后 180° 视场，急转弯时连真实障碍一起抹掉，机器人拖着拖车直接撞上；三次在局部规划，因送入模型的 2D 激光与训练时的完整瞬时扫描存在仿真到现实差距，非重复扫描会带进过期回波。

点评

对做本体软件和导航栈的工程师，用处在于它把“拖挂让组合体动力学变复杂、可行指令集很窄”这一工程难题，落成一套可在机载算力上跑的分层方案：用生成模型给采样式 MPC 提供可行的初始指令，再用学到的动力学模型做在线评估与迭代精炼。文中还给出可直接对照的部署量级（全机载算力、每周期 0.3 s、256 条候选），以及一个反面教训——为免拖车变成点云里的障碍物而做的感知屏蔽，会在急转弯处连真实障碍一起删掉；在该组试验里，由屏蔽造成的直接碰撞比局部规划误差更严重。

作者自述：不适合需要在狭窄空间来回摆动以对齐拖车的任务；只做障碍避让，不含地形可通行性推理；CFM 与 FDM 只针对一款定制拖车训练。证据限于本篇 arXiv 预印本首个版本的正文、公式、表格与图注，本次材料未包含第三方复现或独立评测；结论以该固定版本为准，若作者修订需重新核对。文中成功率与对比数字均为作者自报，未与外部基线做跨协议比较，也未做跨平台、跨协议的通用能力外推。

版本与核查范围

版本 2610.39267v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。

原文与定位

原文链接 #S1.p2.1；#S1.p2.1；#abstract1.1；#S1.p4.1；#S4.SS5.p2.1；#S5.p7.1；#S5.p5.1；#S1.p5.1；#S6.SS2.SSS2.p3.1；#S6.SS1.SSS2.p3.1；#S6.SS1.SSS2.p4.1；#S7.p2.1

内容摘要

点评

原文与定位

关联知识节点

收录报告