IEEE Transactions on Robotics

A High-Payload Robotic Hopper Powered by Bidirectional Thrusters

作者：Song Li, Songnan Bai, Ruihan Jia, Yixi Cai, Runze Ding, Yu Shi, Fu Zhang, Pakpong Chirarattananon · 机构：Department of Biomedical Engineering, City University of Hong Kong, Hong Kong; Department of Civil Engineering, , University of Hong Kong, Hong Kong; Mechatronics and Robotic Systems Laboratory, Department of Mechanical Engineering, University of Hong Kong, Hong Kong; Department of Mechanical Engineering, City University of Hong Kong, Hong Kong; Centre for Nature-Inspired Engineering, City University of Hong Kong, Hong Kong; Department of Mechanical and Industrial Engineering, University of Toronto, Toronto, ON, Canada

会议/期刊：IEEE Transactions on Robotics · 发布日期：2025 · 页码：5307-5326

运动规划控制飞行机器人移动机器人仿生机器人

精读笔记

Problem Setting

论文标题：A High-Payload Robotic Hopper Powered by Bidirectional Thrusters（IEEE Transactions on Robotics / 2025）。

这篇论文实际处理的是一个很具体但重要的问题：如何让一个推力远小于总重的飞行平台仍然能携带大 payload 并保持可移动性。它不是在追求一般飞行，也不是传统腿式跳跃，而是在利用“飞行器 actuator + 被动弹性腿 + 地面冲量”形成一种低空间歇运动模式。

真正困难点有两个。第一是能量闭环：重载后每次落地损耗变大，如果空中段补能不足，跳跃高度会快速衰减。第二是可控性：payload 越大，stance phase 中重力对质心轨迹和起跳方向的影响越明显，原来轻载 hopper 中可用的线性/共面近似不再可靠。以前方法卡在这里：可以证明 thrust-to-weight ratio < 1 也能跳，但没有系统验证 payload 上限，也没有在大载荷、大步长下保持 landing-to-takeoff map 的准确性。

关键矛盾是：高 payload 要求更多能量注入，但系统的 thrust budget 很小；大步长要求更倾斜的落地姿态，但倾斜姿态下重力项会显著扭曲 stance dynamics。

Motivation

已有 legged robot 能背重物但速度和越障方式受限；aerial robot 灵活但 payload/endurance 被悬停条件锁死。thrust-based hopper 的吸引力在于它绕开了悬停约束：只要每个跳跃周期补偿损耗，而不是持续托住总重，就有机会用低推力搬重物。

作者真正抓住的缺口是：过去 thrust-based hopping 的 payload capability 没有被作为一阶目标来设计。单向 thrust 只在上升段补能，重载时能量通道不足；轻载模型忽略 stance 中的重量项，重载时控制误差会系统性放大。因此这篇的动机不是单纯“加反桨”或“用神经网络”，而是补上两个缺失：额外能量注入通道，以及重载下可实时使用的 stance inverse model。

从研究脉络看，作者是在把 hopper 从“省电飞行替代方案”推向“高 payload 移动平台”。这个目标变化很关键，因为它改变了设计优先级：效率仍重要，但 payload ceiling 和可控冲量转换变成核心。

Core Idea

核心思想可以概括为：把 payload 搬运问题从 force support 问题改写为 cycle-level energy management 问题。传统飞行器必须满足最大推力大于总重；这个 hopper 只需要每跳补回 stance loss。弹性腿提供暂时储能和地面冲量，推进器只在空中短时补能。双向推进器进一步把下降段也变成能量注入窗口，因此在 forward thrust 已经达到限制时还能继续提高可承载总质量。

另一个核心思想是：重载下不能把 stance phase 当作轻载 SLIP 的小扰动。落地姿态不是一个普通姿态控制目标，而是被动 stance map 的输入；它决定下一跳的起跳速度方向。作者把完整 stance dynamics 的逆映射压缩进 NN，使 controller 可以在每跳实时选择落地姿态。这里引入的 inductive bias 很明确：不学习完整 locomotion policy，只学习物理 stance map 的 inverse；高层控制仍保持 ballistic + energy reasoning。这比端到端学习更可解释，也比在线 shooting 更适合小型 onboard compute。

和 prior 的本质区别不在于“也用了 SLIP / 也用了 NN”，而在于它明确进入了 heavy-payload regime：此时 payload mass 不再是参数扰动，而是改变模型结构中主导项相对大小的变量。

Method

1）双向 thrust 的能量机制：它解决 forward thrust 不足以补偿重载 stance loss 的问题。上升推力是高效补能，因为能量不会再经过落地损耗；下降反推较低效，因为部分能量会在下一次落地中损失，但它提供了额外补能窗口。因此它的价值不是效率最优，而是提高 payload feasibility boundary。

2）payload capacity 的周期能量模型：论文用 η 表示每跳能量损耗比例，用 γ 表示反向推力效率，推导 payload ratio 相对悬停条件的放大因子。这个模型的作用不是精确预测所有实验，而是给出设计 scaling law：payload 上限主要由 thrust-to-robot-weight、leg loss 和 reverse thrust efficiency 决定。

3）完整 stance dynamics：在 stance phase 保留 mg 项，使用点质量绕足端 pivot 的弹簧阻尼模型。它解决的是重载、大步长时旧模型对起跳方向预测偏差的问题。核心变化是从近似一维/共面映射转为依赖重力方向、落地速度、payload mass 的高维非线性映射。

4）NN 压缩 inverse map：控制需要从期望 takeoff velocity direction 反求 landing attitude。直接求逆需要在线仿真，太慢；线性模型又在重载失效。NN 把由完整模型生成的大量输入输出对压缩成实时函数。重要的是，NN 不是替代物理模型，而是把物理模型离线求解后的 inverse 变成 onboard 可调用的表示。

5）以落地姿态控制下一跳落点：高层控制不试图像 quadrotor 一样连续调轨迹，而是在 apex 预测当前落地状态，再选择当前 landing attitude，使被动 stance 后产生期望 takeoff velocity。这个信息流符合 hybrid hopping 的自然 causal structure。

Key Insight / Why It Works

最关键的 insight 是：payload 能力不是由瞬时推力是否能托住总重决定，而是由每个 hybrid cycle 的能量亏损能否被补上决定。弹性腿把地面碰撞从纯损失变成部分可回收储能，推进器只需补偿 η 部分损耗。因此即使总重是最大推力的多倍，连续跳跃仍可能成立。这一点是本文最值得迁移的机制判断。

双向推力有效，但它不是 magic。它的收益来自增加能量注入窗口，而不是提高推进效率。事实上下降段注入能量会经过下一次冲击，效率低于上升段；所以当 forward thrust 足够时，反推不是必要的。它真正重要是在 payload 接近单向 thrust limit 之后提供 feasibility margin。论文中 2 kg case 使用反推，这说明它主要扩展上限，而不是普遍提升效率。

完整 stance model 是控制性能的核心贡献之一。大 payload 下 mg 项与弹簧力的相对比例上升，尤其在 leg vector 与 gravity 不对齐时，忽略 mg 会导致 takeoff direction 偏差。实验中线性模型在重载大步长下 overshoot/crash，而 NN-compressed full model 保持准确，这个归因比较清楚。

NN 部分更像 model compression / surrogate inverse dynamics，而不是学习控制策略。其能力主要来自：物理模型提供结构，仿真数据覆盖输入空间，网络提供实时近似。所谓 generalization 应理解为在训练覆盖的 payload/速度/角度范围内插值，而不是对新地形或新接触模式泛化。这里没有必要把 NN 解读成智能涌现；它是工程上合理的函数压缩。

可能只是辅助或 engineering 的部分包括：具体 planner、LiDAR navigation stack、低层 attitude controller、kinodynamic A* 改造。这些证明系统可部署，但不是论文在 locomotion/control 上的主要增量。相反，真正推动方向的是 energy amplification + heavy-payload stance inverse 这两个机制。

Relation To Prior Work

最接近的路线是 PogoDrone、Hopcopter、PogoX、MultiMo-MHR 这一类 quadrotor-with-passive-leg / thrust-based hopper。它们已经证明了弹性腿能降低飞行能耗、低推重比也能连续跳跃。本文的实质差异是把 payload 上限作为中心问题，并进入总质量远大于 thrust limit 的 regime。

和传统 SLIP / leg-actuated hopper 相比，本文不是在 stance phase 主动做功，而是把 actuation 放在 aerial phase。地面段基本被动，这简化了机构，也让 quadrotor actuator 得到复用；代价是可控性间接，必须通过 landing attitude 影响下一跳。

和 aerial robot 相比，本文的本质差异是放弃连续空中支撑，改用地面周期性重置能量和动量。它不是高 payload drone，而是利用 flight hardware 的 hopper。这个分类很重要，否则会误判其速度、能耗和控制目标。

和已有 NN 控制/学习 locomotion 工作相比，本文的 NN 没有学习策略，也没有处理复杂接触语义。它只是把物理模型逆映射压缩为低延迟函数。看似是 learning component，实质上属于 model-based control with learned surrogate。

实质创新在两个地方：一是把 bidirectional thruster 引入 hopper 的 energy cycle 并量化 payload amplification；二是证明 heavy-payload stance dynamics 中保留 gravity term 对大步长控制是必要的。其他部分更多是已有机器人系统组件的组合。

Dataset / Evaluation

评估是强真机导向，且覆盖了几类与核心 claim 相关的任务：不同 payload 下轨迹跟踪、接近 payload 极限的连续跳跃、大步长 leap、急转、越障、携带 LiDAR/computer 的户外运行和简单自主导航。对于一篇机器人系统论文，这套实验比单一 demo 更有说服力。

最支持核心 claim 的实验不是 LiDAR 自主导航，而是 payload sweep 和 NN-vs-linear 的重载大步长对比。前者验证能量机制确实让 robot 在 thrust limit 以下承载大质量；后者验证完整 stance model 在重载 regime 的必要性。越障和急转则说明地面冲量能产生远超空中推力所能产生的横向加速度。

但 evaluation 也有边界。大多数控制验证仍依赖平地、较规则 landing、足端不滑的假设。户外实验展示了 LiDAR feedback 可用，但速度低、步长小，环境复杂度有限；自主导航的 planner 也更像已有 aerial planning 改造，并没有证明复杂地形接触规划能力。payload 上限实验主要验证“能跳”，并未充分分析长期可靠性、结构疲劳、不同地面上的 η 变化。

总体看，实验足以支撑“高 payload thrust-based hopper 可行”和“重载模型必要”这两个核心结论；不足以支撑更宽泛的“复杂非结构环境移动平台”结论。

Limitation

核心前提首先是接触模型干净：足端不滑、接触点可视作 pivot、地面近似刚性和平坦。只要足端滑移、地面软化、坡度明显或接触法向不确定，landing attitude 到 takeoff velocity 的 inverse map 就会偏离。论文提出未来 footpad，但 footpad 会改变损耗、接触时间和 stance map，当前 NN 不能直接泛化。

第二，NN 的泛化上限由仿真数据覆盖决定。它输入 payload mass，但没有显式输入质心位置、转动惯量、腿部非线性、地面参数、橡胶温度/老化等。对于真实 payload，质量不是唯一变量。文中未充分说明不同 payload 布置方式对模型准确性的影响。

第三，η 被当作相对简单的能量损耗比例使用，但实际它可能依赖落地速度、压缩深度、payload、地面、足端材料和姿态。payload capacity 公式很有启发性，但如果 η 不是稳定常数，理论上限会变成场景相关估计。

第四，双向推力带来的上限提升伴随更大落地速度和冲击。它把一部分问题从 thrust insufficiency 转移到结构强度、传感器抗冲击和接触可靠性上。长期运行寿命文中没有充分说明。

第五，当前 locomotion 速度和 transport efficiency 仍弱。论文承认 CoT 高，说明它目前更适合低速 sensing / mapping，而不是高效运输。所谓高 payload 并不自动等于高实用机动性。

第六，autonomy 部分没有形成真正的长期地形规划或接触-aware planning。planner 主要给水平 landing points，hopping height 固定，复杂地形适应仍是开放问题。

Takeaway

  • 1）最值得记住的是 energy-cycle view：对于间歇接触机器人，payload 上限可以通过弹性回收和周期补能显著突破 actuator 的静态支撑限制。
  • 这一思想可迁移到其他低推力/低功率移动系统。
  • 2）双向 actuation 的价值不一定在对称控制，而在打开新的能量注入相位。
  • 对 hybrid locomotion 来说，什么时候注入能量可能比 actuator 峰值更重要。

一句话总结

这篇论文在 thrust-based hopping 方向中的位置是：通过双向推力的周期能量注入和重载 stance inverse 的模型压缩，把低推重比 quadrotor-hopper 从轻载可行性 demo 推进到高 payload 真机系统，但其泛化仍主要受接触假设和数据覆盖限制。