精读笔记

Problem Setting

论文标题：Robust Quadrupedal Jumping With Impact-Aware Landing: Exploiting Parallel Elasticity（IEEE Transactions on Robotics / 2024）。

这篇论文关心的不是普通四足跳跃，而是标准重力下的“带并联弹性四足的鲁棒爆发式跳跃”。任务难点在于跳跃过程把三个通常分开处理的问题强耦合在一起：起跳时需要利用弹簧储能和电机输出形成足够大的速度；飞行期没有水平外力，起跳误差会直接决定落点；触地瞬间冲击大且接触状态不确定，若只跟踪离线轨迹，很容易落点偏、姿态偏或弹跳失稳。

以前方法卡住的地方很明确：full-body TO 可行但重、常需要参考关节轨迹；SRB/centroidal 更轻但通常忽略并联弹性，并且对落地处理不足；canonical SLIP 有好的弹簧跳跃 inductive bias，但很难表达主动驱动和关节可行性。关键矛盾是：越想利用弹性和冲击柔顺，模型越非刚性、越混合；越想在线鲁棒，模型又必须足够低维、可快速求解。

Motivation

作者的出发点是：动物式跳跃的有效性很大程度来自肌腱/弹性组织的储能与冲击吸收，而机器人领域很多 model-based 跳跃仍把弹性当作扰动或低层特性，而不是规划层资源。对于并联弹性执行器，真正缺的是一个能显式区分“被动弹簧贡献”和“主动电机贡献”的规划模型。

另一个关键缺口是 landing。已有跳跃工作往往把起跳作为主要问题，默认只要起跳轨迹跟上，落地就能靠低增益或 MPC 稳住。但实际起跳误差不可避免，尤其在简化模型、并联弹簧、未知接触面共同存在时，落地状态几乎一定偏离计划。作者的核心观察是：鲁棒性不应只在起跳控制里补偿，而应在飞行期和触地后分别进行 impact-aware 的在线调节。

Core Idea

核心思想是用一个 actuated SLIP 作为跳跃的 template，并把全身四足问题拆成“低维弹性动力学规划 + embodiment 可行性约束 + 事件触发在线落地修正”。SLIP 负责提供正确的弹簧-质点能量交换结构；虚拟输入 u 负责表达电机主动驱动和未显式建模的可控项；KD 约束负责防止 template 轨迹变成四足不可执行的理想轨迹。

本质区别在于信息流被重新组织了：离线优化不再试图一次性预测整个真实混合过程，而是只生成一个可行起跳骨架；真实起跳状态被在线读取，用来修正飞行期腿配置；真实触地状态再触发局部恢复优化。也就是说，论文不是试图做一个更精确的大模型，而是承认模型误差并把误差放到 impact-aware 的 test-time compute 中处理。这是它比纯离线 TO 更鲁棒的主要原因。

Method

第一层是 actuated SLIP。它把接触期 CoM 动力学写成弹簧力 + 重力 + 主动加速度输入。这个建模解决了两个问题：刚体机器人可由 k_s=0 统一表示；并联弹簧机器人可通过 k_s 显式进入规划，而不是把弹性吞进黑箱等效力或全身动力学残差。它带来的核心变化是：弹簧不再只是低层硬件特性，而成为起跳规划可利用的能量源。

第二层是 KD-type 跳跃 TO。它不是 full-body 精确动力学，而是在 SLIP CoM 轨迹上加关节角、力矩、足端不滑、摩擦和腿长边界等约束。其必要性在于：纯 SLIP 轨迹很容易在真实四足上不可执行；而 full-body TO 又太重且常依赖参考轨迹。这个折中使得 planner 既保留弹性跳跃的低维结构，又不完全脱离硬件可行性。

第三层是 LMR：preimpact LMM 用 QP 在飞行期调落腿水平偏置和等效落地时间，postimpact LR 用轻量 SLIP TO 根据真实触地相对状态恢复到 homing。它的作用不是让轨迹更漂亮，而是把不可避免的起跳误差和未知触地冲击转化为在线可调的局部问题。这里的核心变化是：落地姿态不再是离线计划的终点，而是由真实 impact state 决定的再规划起点。

低层控制由关节 PD、MPC GRF、弹簧力矩补偿组成。它们很重要，但更像把上层 reduced-order 决策落到硬件上的工程胶水；论文的机制贡献主要不在这里。

Key Insight / Why It Works

最关键的有效性来源是 better inductive bias，而不是 scaling、data coverage 或学习能力。SLIP template 把跳跃的主要能量通道限制在腿弹簧方向，这正好匹配四足爆发式跳跃中的压缩—释放过程；actuated 项又避免 canonical SLIP 过于被动、难以适配不同任务的问题。这个 bias 足够强，所以不需要大规模数据或 RL，也能在真机上工作。

第二个有效性来源是 test-time compute。论文没有假设离线轨迹会被精确执行，而是在起跳后和触地后重新计算落腿与恢复轨迹。飞行期水平运动近似 ballistic，因此用真实起跳速度反推落点修正非常直接；触地后恢复则用局部 SLIP TO 吸收冲击、降低末端速度并回到 homing。换言之，鲁棒性主要来自“事件后重规划”，不是来自更强的轨迹跟踪。

最可能的核心贡献是：actuated SLIP + impact-aware LMR 的组合。单独看，SLIP 变体、KD TO、QP 落脚修正、MPC/PD 都不是全新思想；但把并联弹性显式纳入 template，并在真实起跳/触地状态上做在线 landing regulation，这是论文最有价值的重组。

哪些部分可能只是辅助或 engineering：弹簧 torque softplus 补偿、MPC GRF、低增益落地、logistic 空中腿轨迹、各种边界设置，都是让系统跑起来所需，但不是概念上不可替代。实验中的部分增益，尤其稳定落地，可能来自这些工程细节与机械柔顺性的共同作用；文中没有完全隔离每个组件的贡献。并联弹性带来的距离/高度/能耗收益是可信的，但最优刚度、控制增益和任务设置之间的耦合仍使增益归因不完全干净。

Relation To Prior Work

这篇处在 model-based legged jumping、SLIP-template planning、compliant actuation 三条线的交叉处。和 full-body 或 centroidal/SRB 跳跃 TO 相比，它不追求全身动力学精确，而是用 SLIP 强行注入弹性跳跃结构；和 canonical/actuated SLIP 相比，它不只生成质点轨迹，而是加入关节级可行性，并专门面向四足并联弹性硬件；和 RL landing 或 learned recovery 相比，它没有依赖策略学习，而是用解析 ballistic 关系和在线优化处理误差。

看似新的部分里，有不少是已有思想重组：SLIP 作为 template、起跳 TO、QP 在线调节、MPC GRF 都已有先例。实质创新在两个点：一是把并联弹性从硬件层显式投影到 SLIP 弹簧项，从而能比较直接地规划和分析弹簧贡献；二是把落地拆成 preimpact leg modulation 与 postimpact recovery，并在真机上证明这比单纯轨迹跟踪更关键。它不是一个全新控制范式，而是一个针对“弹性四足跳跃”做得很完整的 model-based 系统化方案。

Dataset / Evaluation

评估比较扎实，因为包含仿真和真机，且同时测试刚体配置和并联弹簧配置。任务覆盖不仅是平地前跳，还包括侧跳、后跳、斜向跳、跳上台阶/垫子、未知斜坡/粗糙面、初始姿态/CoM 偏差和空中外力扰动。对核心 claim 来说，这些实验基本能支持：LMR 确实改善落地鲁棒性；并联弹性确实能提高爆发性并在合适刚度下降低能耗/力矩。

但 evaluation 也有边界。第一，任务尺度仍是中小距离跳跃，且大多假设触地后能不迈步停止；没有展示更高速、更远距离或复杂连续地形下的 capturability。第二，比较基线主要是去掉 LMR、去掉 LR、或 SRB TO，对更强的 full-body MPC/RL landing baseline 覆盖有限。第三，并联弹性的收益展示受硬件设计、弹簧刚度和控制调参共同影响，严格归因仍不充分。第四，未知地形主要是局部高度/坡度扰动，不是视觉引导下的复杂地形选择。

Limitation

最大限制是模型假设。actuated SLIP 忽略躯干转动和腿质量，而空中 LMM 又假设腿运动不改变 body orientation；但论文自己的结果已经显示腿运动会引起 pitch 变化。这说明在更激进的空中收腿或大水平速度下，角动量误差会成为主导问题。当前 planner 实际没有形成完整的 momentum-aware 状态建模。

第二个限制是落地恢复假设 zero-step capturability。它默认机器人可以在触地后不迈步停住，这限制了可处理的水平速度和落地扰动范围。对于更远跳跃或落地面更差的场景，真正需要的是一步/多步恢复或连续跳跃策略，而不是只靠局部 SLIP recovery。

第三，在线 LR 为了实时性省略了关节级、摩擦和力矩约束，这相当于把可行性风险转移给低层控制与硬件柔顺性。低摩擦、单脚先触地、接触估计错误时，这个简化可能失败。文中未充分说明这些 corner cases 的稳定边界。

第四，并联弹性建模依赖 homing 附近的小扰动能量匹配。跳跃时弹簧压缩可能远离线性区域，等效 k_s 是否还能准确表示真实并联弹性，文中未充分说明。过大刚度会增加能耗这一现象也说明弹性不是单调收益，参数选择本身是未解决问题。

第五，很多成功依赖工程细节：接触检测阈值、落地低增益、MPC 权重、空中腿轨迹插值、LMM 边界、LR 终端范围等。它不是数据驱动方法，所以不存在 benchmark leakage 问题；但存在调参/硬件耦合带来的外部可迁移性问题。

Takeaway

• 1. 对弹性腿式机器人，规划层必须显式表达被动弹性，否则很难区分硬件带来的能量优势和控制器补偿出来的效果。
• actuated SLIP 是一个实用折中：足够低维，又能把被动弹簧与主动驱动拆开。
• 2. 跳跃鲁棒性的关键不只是起跳，而是 impact-aware 的信息闭环：真实起跳状态用于空中落腿修正，真实触地状态用于恢复重规划。
• 这种事件触发 test-time optimization 的思想可迁移到落高、跑跳转换、动态跨越障碍等任务。

一句话总结

这篇论文是并联弹性四足跳跃方向中一个很完整的 model-based 系统方案，其真正贡献在于用 actuated SLIP 显式利用弹性，并用 impact-aware 在线落地调节把离线跳跃规划从脆弱轨迹跟踪推进到可真机部署的鲁棒混合运动控制。