IEEE Transactions on Robotics

A Locust-Inspired Robot Capable of Continuous Crawl–Jump–Gliding Locomotion With Optimized Transitional Control

作者：Yi Xu, Weitao Zhang, Liang Peng, Qijie Zhou, Qi Li, Qing Shi · 机构：Key Laboratory of Biomimetic Robots and Systems, Beijing Institute of Technology, Ministry of Education, Beijing, China; Intelligent Robotics Institute, School of Mechatronical Engineering, Beijing Institute of Technology, Beijing, China

会议/期刊：IEEE Transactions on Robotics · 发布日期：2025 · 页码：220-235

运动规划控制优化传感器仿生机器人

精读笔记

Problem Setting

《A Locust-Inspired Robot Capable of Continuous Crawl–Jump–Gliding Locomotion With Optimized Transitional Control》（IEEE Transactions on Robotics / 2025）实际处理的是小尺度多模态机器人里最难的 hybrid transition：如何把地面 crawling 的姿态可调性、弹簧驱动 jumping 的瞬时高功率、固定翼/螺旋桨 gliding 的远距离移动，以及落地后再次启动串成一个可重复运动链。真正困难不在于“会跳”或“会滑”，而在于跳跃阶段的角动量积累发生得太早、太快，等进入空中再用尾翼或推进器修正往往已经接近翻转/失速。关键矛盾是：大翼面有利于滑翔但伤害起跳；多 actuator 有利于控制但破坏小尺度质量预算；强弹簧有利于高度和速度但放大姿态不稳定。过去工作多卡在这个三角冲突里：要么翼不可折叠导致跳跃受阻，要么腿和翼分离驱动导致时序迟滞，要么额外 trigger/自扶正机构牺牲连续性。

Motivation

作者的出发点比较明确：locust 的启发不是简单仿形，而是运动模式之间的切换协同。已有 jump-gliding robot 缺的是一个在小尺度下可执行的“模式转接机制”：起跳前能调方向和俯仰，起跳瞬间能压住 pitch rate，翼面能在不破坏跳跃的情况下展开，落地后还能重新调整并再次执行。换言之，已有路线把跳跃、展开、滑翔、落地恢复当成相邻模块；这篇试图把它们视为同一条能量与姿态管理链。关键缺口是 transitional stability：不是 airborne stability，而是 take-off phase 已经开始积累的角动量如何被抑制。

Core Idea

论文的核心思想是用机械协同降低控制问题维度，再用优化控制补足混合动力学中的时序与姿态问题。机械上，后腿蓄能、翼折叠/展开和触发不是三个独立 actuator 控制的动作，而是由同一个 screw motor 和 cable/slider/hook 机构形成强耦合时序。这样做的本质收益不是省一个电机这么简单，而是减少小机器人中最致命的重量、触发延迟和部署不确定性。

控制上，它没有追求完整飞行器式的 6-DoF 稳定控制，而是把问题投影到纵向平面上的攻角轨迹管理：跳跃末态给出滑翔初始条件，TD3 生成翼展开时刻、油门和尾翼动作，使攻角接近最大升阻比区域并避免失速。这是一种很强的 inductive bias：只要攻角被管住，滑翔距离和姿态稳定自然受益。和 prior 的本质区别在于，prior 更多是“跳起来后再控制/恢复”，这里是把起跳末态、部署时序和滑翔控制作为同一个 hybrid transition 处理。

Method

关键机制可以压缩为四点。第一，折叠翼-跳跃腿协调驱动：解决翼面对跳跃的阻碍和 actuator 质量预算问题；核心变化是把 wing deployment 的时序嵌入机构运动，而不是靠额外 trigger 单独触发。第二，EPJ 加前置推力抑制起跳翻转：解决地面反力偏心导致的 pitch angular momentum 快速积累；EPJ 改变起跳后身体-腿系统的相对运动和转动惯量，螺旋桨提供可控 pitch moment，两者单独都不够，组合才把 pitch angle 和 pitch rate 同时压下来。第三，cam-contoured wheel-leg 提供地面二维调整和离散起跳角选择：它解决的是连续循环所需的“落地后可重定位”，不是主要贡献但对系统闭环很必要。第四，TD3 轨迹生成/跟踪：生成器针对不同起跳角优化翼展开、油门、尾翼；tracker 对模型误差和初始角速度扰动做鲁棒跟踪。这里 TD3 更像 black-box optimal control interface，而不是学习到特别抽象的 locomotion representation。

Key Insight / Why It Works

最重要的 insight 是：小尺度 jump-glider 的失败往往不是滑翔阶段不够会飞，而是进入滑翔前的姿态已经不可救。作者把控制作用前移到 take-off transition，并用机械结构先把问题变得可控，这是全文最实质的贡献。EPJ + propeller 的组合有效，是因为它分别作用在两个不同量上：EPJ 改变角动量积累路径和等效转动惯量，推力提供持续 pitch moment；这比单纯增大尾翼或落地自扶正更接近问题根因。

第二个有效点是折叠翼时序。折叠翼不是仿生装饰，而是解决跳跃-滑翔冲突的关键结构 bias：跳跃时低阻，滑翔时高升力。可调延迟使系统能在速度和姿态进入合适窗口后再展开翼面，从而避免大攻角失速。第三个点是把最优攻角作为目标函数，这相当于把复杂轨迹目标降维为气动效率目标；在固定翼滑翔语境下很合理，也使 RL 搜索空间大幅缩小。

但需要直说：TD3 本身不一定是核心贡献。它更可能是一个方便处理连续动作和非线性模型误差的工程优化器。若换成 direct collocation、MPC 或基于攻角的增益调度控制，可能也能达到相近效果。论文没有充分做这种 ablation。因此真正的增益更可能来自 better inductive bias + mechanical co-design，而不是 RL algorithmic novelty。所谓 optimized transitional control 的“智能”成分有限，主要是把已有气动模型、起跳模型和 reward shaping 组合成一个可用策略。

Relation To Prior Work

它最接近的技术谱系是小尺度 jumping robot、jump-glider、bio-inspired multimodal robot 和 fixed-wing micro aerial vehicle 的交叉。和 Kovac/Desbiens 类 jumpglider 的差异在于翼面不再是始终展开的被动附加件，而是折叠-展开时序的一部分。和 Beck 类腿翼分离驱动方案的差异在于不是增加 actuator 自由度，而是用机械耦合减少时序和重量代价。和 Woodward/Baek/Wei 等带额外 trigger 的组合机构相比，实质新增是把 trigger、蓄能、折翼组织进同一 actuator 链路，从而支持连续循环。

看似新的部分中，TD3 控制并不是概念上全新；用 RL 做轨迹生成/跟踪、用最大升阻比攻角做目标都是已有思想重组。实质创新更偏机器人系统设计：用 EPJ 处理起跳瞬态稳定，用折叠翼解决跳跃-滑翔冲突，用 wheel-leg 给连续 locomotion 提供地面 reset 能力。这篇的定位不是控制算法论文，而是 morphology-control co-design paper。

Dataset / Evaluation

评价是以真机实验为主，覆盖了弹跳稳定性、跳滑距离、起跳角差异、地面转向/抬头和户外多循环 crawl–jump–glide。对于机器人系统论文来说，这比只在平台上展示一次 jump-glide 更有说服力，尤其连续循环部分确实支撑了“不是一次性运动”的 claim。

但 evaluation 对核心归因支持不够充分。最大距离实验使用 1 m 高平台，这对验证 gliding efficiency 合理，但和“无需高平台也能连续远距离移动”的 claim 之间需要区分：水平地面连续循环展示的是可重复性和适应性，不是同等距离收益。TD3 的贡献缺少与经典控制/最优控制的对照；EPJ、推力、翼展开时序、起跳角和平台高度的贡献耦合在一起，增益来源不清。户外实验覆盖了一些材质变化，但没有系统风扰、坡度、粗糙地形或落地姿态分布统计，因此泛化性只能说是初步验证。

Limitation

方法的成立依赖几个强前提。第一，动力学基本限制在纵向平面，侧向/偏航自由度被机械稳定性和地面 crawling 间接处理；如果有横风或落地 yaw 偏差，当前控制框架未必够。第二，起跳角是离散的，且依赖 cam wheel-leg 的机械定位；这降低了控制复杂度，但也限制了任务级规划的连续性。第三，气动模型主要来自 CFD，并忽略翼展开瞬态系数变化；在更小尺度、更快动态或外界扰动下，这个假设可能成为瓶颈。

更关键的是，RL 泛化能力不要高估。训练围绕两个小起跳角和特定模型扰动进行，不能说明策略能跨 morphology、质量分布、翼型、地形和风场泛化。文中未充分说明在没有 motion capture 的实际部署中如何获得完整位置、速度反馈；IMU 只能直接给姿态/角速度，位置速度估计如果不稳定，tracker 的闭环基础会削弱。连续运动也把问题部分转移给机械可靠性和落地 reset：能不能在更长任务中保持机构不磨损、翼不变形、蓄能触发一致，文中没有回答。

Takeaway

  • 1. 对小尺度 hybrid locomotion，先用 morphology 把不稳定性压到控制能处理的范围，比单纯堆控制器更有效。
  • EPJ 这种针对 transition 的被动/半被动结构值得迁移到其他跳跃-飞行、跳跃-攀附、跳跃-滚动系统。
  • 2. 折叠/展开不是附属机构，而是解决跨介质运动中“一个 morphology 无法同时适配两个 phase”的核心手段。
  • 未来更有价值的是可变形结构与时序控制的联合优化，而不是增加更多 actuator。

一句话总结

这篇论文在小尺度仿生跳滑机器人方向上的贡献，是用机械-控制协同把一次性 jump-glide 推进为可重复 crawl–jump–glide primitive；真正创新主要在 transition-aware morphology design，而不是 TD3 算法本身。