晨光
暗夜
晨光
极光
Bilingual Paper Reading · 中英对照精读

ContactNet：面向非周期足式机器人运动的在线多接触规划

准大一 · 机器人工程 × 足式机器人 × 运动规划 —— 接触规划与步态生成精读材料
原文：arXiv:2209.15566 2022年9月30日发布 arXiv 预印本（cs.RO） 接触规划 × 非周期步态 × 神经网络 附英文摘要朗读音频

一、论文档案

英文标题ContactNet: Online Multi-Contact Planning for Acyclic Legged Robot Locomotion
中文标题ContactNet：面向非周期足式机器人运动的在线多接触规划
作者安杰洛·布拉塔, 阿瓦德什·梅杜里, 米凯莱·福基, 卢多维克·里盖蒂, 克劳迪奥·塞米尼（机构未在素材中标注）
发布时间2022年9月30日（v1）｜分类：cs.RO（机器人学）
原文链接arxiv.org/abs/2209.15566　·　全文 HTML 版
一句话概括用神经网络给四足机器人当「选脚大脑」：毫秒级给所有候选落脚点打分排序，在碎石、空洞地形上自动生成非周期步态，还能和轨迹优化器并行跑（MPC 模式）。
💡 为什么选这篇给你：① 四足机器人是当前机器人最火的赛道之一（波士顿动力、宇树都在做），而「脚往哪儿踩」是最核心的问题；② 思路新——把接触规划从优化问题变成神经网络的排序问题，快（约 1 ms）到能塞进 MPC 控制环；③ 在 Solo12 四足机器人上做了大量仿真，还测试了带洞地形和传感器噪声的鲁棒性，故事完整。

二、核心术语表（先扫一遍再读正文）

英文术语中文大白话解释
contact planning接触规划决定机器人每一步「脚踩在哪里」的决策问题，是足式运动的前提。
acyclic gait非周期步态没有固定「先迈哪条腿」顺序的步态，像人走梅花桩一样随机应变。
cyclic gait周期步态按固定顺序循环迈腿的步态（如 trot 对侧小跑、walk 行走），简单但僵硬。
foothold落脚点机器人脚掌实际踩踏的地面位置。
Model Predictive Control (MPC)模型预测控制每步都基于当前状态滚动求解未来一小段最优轨迹的控制方法。
trajectory optimization轨迹优化用数值优化求解「从 A 到 B 的最优运动轨迹」的技术。
trajectory generation轨迹生成给定落脚点后，计算全身运动与接触力的环节。
multi-output regression多输出回归一个神经网络同时输出多个数值（这里是对每个落脚点打分）。
heuristic-based planner基于启发式的规划器靠人工设计的经验规则选落脚点，快但只能处理周期步态。
stepping stones跳石（梅花桩）地形地面上只有零星可踩区域、其余是空洞的困难地形。
Single Rigid Body Dynamics (SRBD)单刚体动力学把机器人简化为一个刚体来近似动力学，计算快、常用于 MPC。
Quadratic Program (QP)二次规划目标函数为二次、约束为线性的优化问题，求解极快。
replanning frequency重规划频率每秒重新规划轨迹的次数，越高响应越快。
capturability可捕获性判断某个落脚点能否让机器人停下来/保持平衡（零步、一步可停）。
Monte Carlo Tree Search (MCTS)蒙特卡洛树搜索通过随机模拟搜索最优决策的算法，选项多时会变慢。
quadruped robot四足机器人四条腿的机器人（如 Solo12、MIT Cheetah），平衡与运动控制难度大。

三、摘要中英对照（精读核心）

🎧 音频在文末，可先听一遍原文再读；每个英文句都配了逐句翻译。

摘要 Abstract

EN · 原文
In legged logomotion, online trajectory optimization techniques generally depend on heuristic-based contact planners in order to have low computation times and achieve high replanning frequencies.
CN · 翻译
在足式运动中，在线轨迹优化技术通常依赖基于启发式的接触规划器，以获得低计算时间、实现高重规划频率。
EN · 原文
In this work, we propose ContactNet, a fast acyclic contact planner based on a multi-output regression neural network.
CN · 翻译
本文提出 ContactNet——一个基于多输出回归神经网络的快速非周期接触规划器。
EN · 原文
ContactNet ranks discretized stepping regions, allowing to quickly choose the best feasible solution, even in complex environments.
CN · 翻译
ContactNet 对离散化的落脚区域打分排序，即使在复杂环境中也能快速选出最优可行解。
EN · 原文
The low computation time, in the order of 1 ms, makes possible the execution of the contact planner concurrently with a trajectory optimizer in a Model Predictive Control (MPC) fashion.
CN · 翻译
约 1 ms 级的低计算时间，使接触规划器能与轨迹优化器并发执行，形成模型预测控制（MPC）式的闭环。
EN · 原文
We demonstrate the effectiveness of the approach in simulation in different complex scenarios with the quadruped robot Solo12.
CN · 翻译
我们在四足机器人 Solo12 上、多个复杂场景的仿真中验证了方法的有效性。

关键词 Keywords：Contact Planning 接触规划 ｜ Acyclic Gait 非周期步态 ｜ Legged Locomotion 足式运动 ｜ Model Predictive Control 模型预测控制 ｜ Neural Network 神经网络

四、引言精选（为什么这个问题重要）

① 问题设定：MPC 环里「接触规划 + 轨迹生成」两步走

EN · 原文
Online motion planning for legged robots remains a challenging problem. The common approach is to use optimization algorithms in a Model Predictive Control (MPC) loop to automatically generate trajectories based on sensor feedback [1, 2, 3]. High frequency updates enable robots to react quickly to changes in the environment and reject external disturbances [4]. In order to maximize the replanning frequency, the problem is often split into two components - contact planning and trajectory generation. Contact planning selects feasible footholds on the terrain to allow the robot to reach a desired location. Trajectory generation computes whole-body movements and contact forces to be applied at these locations.
CN · 翻译
足式机器人的在线运动规划仍然是一个难题。常见做法是在模型预测控制（MPC）回路中用优化算法根据传感器反馈自动生成轨迹。高频更新使机器人能对环境变化快速反应、抵抗外部扰动。为了最大化重规划频率，问题常被拆成两块：接触规划（在地形上选出可行落脚点，让机器人到达目标位置）和轨迹生成（计算全身运动及这些落脚点上的接触力）。

② 痛点：启发式接触规划器把框架锁死在「周期步态」

EN · 原文
Significant progress has been made in the area of online trajectory generation. Some approaches simplify the robot dynamics to a single rigid body with limited base rotations to render the underlying optimization problem convex [1]. This allows for fast trajectory planning using a Quadratic Program (QP). Other methods use either the non-linear Single Rigid Body Dynamics (SRBD) [2] or the full body model [3, 4] to generate almost any desired behavior on different robots. Despite this progress, most of these methods still rely on heuristic-based contact planners [5] to ensure real-time computation. However, such contact planners limit the overall motion planning framework (contact planning plus trajectory generation) to cyclic gaits only.
CN · 翻译
在线轨迹生成已取得重大进展：有的方法把机器人动力学简化为单刚体、限制基座转动，使优化问题凸化，从而能用二次规划（QP）快速求解；有的用非线性单刚体动力学（SRBD）或全身模型生成几乎任意期望行为。但大多数方法仍依赖启发式接触规划器保证实时性——这类规划器把整个框架限制在只能走周期步态。

③ 现有非周期方法的困境：要么贵，要么慢

EN · 原文
Kim et al. [6] presented a DDP-based contact implicit MPC with an analytical gradient for contact impulses to discover new gait sequences. However, no constraint on the feasibility of the chosen foot placement with respect to the morphology of terrain is considered. ... Deits and Tedrake [11] proposed a Mixed Integer Program (MIP) to find footholds that avoid obstacles and violations of the kinematic limits. ... Amatucci et al. [14] presented a contact planner based on a Monte Carlo Tree Search (MCTS) algorithm; even though this approach demonstrated good performance, the expansion of the MCTS becomes too slow when a high number of discrete options are available, e.g. terrain with holes. Consequently, all these methods cannot be used in an MPC fashion at high control rates.
CN · 翻译
Kim 等人提出基于 DDP 的接触隐式 MPC（用解析梯度发现新步态序列），但没考虑落脚点相对地形形态的可行性；Deits 和 Tedrake 提出混合整数规划（MIP）找落脚点，可避开障碍与运动学极限；Amatucci 等人提出基于蒙特卡洛树搜索（MCTS）的接触规划器，但离散选项一多（如带洞地形），MCTS 的扩展就慢得没法用。因此，这些方法都无法在高控制频率下以 MPC 方式使用。

④ ContactNet 的定位：又快又通用，还能扛干扰

EN · 原文
In this work, we address these limitations and propose an online, MPC friendly multi-contact planner - ContactNet, that can automatically generate arbitrary gait schedules, select footholds in unstructured environments, e.g. stepping stones, and recover from external perturbations. This contact planner extends the principles used in [15], a reactive planner for bipedal locomotion, which was limited to single contacts and cyclic gaits. ContactNet, on the other hand, computes acyclic gaits online for multiple legs. The key point of this approach is that the solve time is low and remains unaffected by the number of terrain constraints, such as stepping stones.
CN · 翻译
针对这些局限，我们提出在线、MPC 友好的多接触规划器 ContactNet：能自动生成任意步态安排、在非结构化环境（如跳石地形）选落脚点、并从外部扰动中恢复。它扩展了双足反应式规划器 [15] 的原理（那只能处理单点接触与周期步态），而 ContactNet 可为多条腿在线计算非周期步态。关键点是：求解时间低，且不受地形约束数量影响。

⑤ 训练与验证策略

EN · 原文
ContactNet is based on a multi-output regression network [16] that ranks a discrete set of foothold locations. This information is then used to generate a contact plan. The ContactNet is trained offline on a simple flat terrain using data generated with a novel cost function (see Sec. III-B) which considers robustness, stability and minimizes trajectory generation cost. After training, we combine the ContactNet foothold plan with a centroidal trajectory optimizer [2] to generate online a desired behavior. ... We show that ContactNet can automatically navigate terrains with holes, even though those kind of terrains are not considered during the data collection for training. Finally, we systematically analyze the robustness of the ContactNet in face of measurement uncertainties, i.e. Gaussian noise in the joint velocity measurements, to emulate the behaviour of a real sensor.
CN · 翻译
ContactNet 基于多输出回归网络，对离散落脚点集合排序，再用排序结果生成接触计划。它在简单平地上离线训练，训练数据由一种新代价函数生成——同时考虑鲁棒性、稳定性并最小化轨迹生成代价。训练后，把 ContactNet 的落脚点计划与质心轨迹优化器结合在线生成期望行为。实验显示：即使训练数据里根本没有带洞地形，ContactNet 也能自动穿越带洞地形；最后还系统地分析了它在测量不确定性（关节速度测量中的高斯噪声）下的鲁棒性，以模拟真实传感器。
💡 这是全文最有味道的一句：“The key point of this approach is that the solve time is low and remains unaffected by the number of terrain constraints, such as stepping stones.”——别人家的算法地形越难越慢，ContactNet 反着来：难度不增加耗时，这正是它能进 MPC 控制环的本钱。

五、论文贡献（3 个要点）

EN · 原文
1. A fast neural contact planner. In summary, this paper proposes a fast contact planner for legged locomotion with the following main contributions: the ContactNet, a neural network-based contact planner, which can rapidly generate acyclic gait sequences with safe footholds, even in the presence of holes in the ground, considering tracking performance of an MPC, stability and robustness.
CN · 翻译
1. 快速的神经接触规划器。ContactNet 是一个基于神经网络的接触规划器，能快速生成带安全落脚点的非周期步态序列，即使地面有洞也能应对，且同时考虑 MPC 跟踪性能、稳定性与鲁棒性。
EN · 原文
2. From single-contact cyclic to multi-leg acyclic. This contact planner extends the principles used in [15], a reactive planner for bipedal locomotion, which was limited to single contacts and cyclic gaits. ContactNet, on the other hand, computes acyclic gaits online for multiple legs.
CN · 翻译
2. 从单点周期到多腿非周期。把双足反应式规划器的原理推广到多腿：ContactNet 为多条腿在线计算非周期步态，不再局限于单点接触和固定腿序。
EN · 原文
3. Generalization and robustness. We show that ContactNet can automatically navigate terrains with holes, even though those kind of terrains are not considered during the data collection for training. Finally, we systematically analyze the robustness of the ContactNet in face of measurement uncertainties, i.e. Gaussian noise in the joint velocity measurements, to emulate the behaviour of a real sensor.
CN · 翻译
3. 泛化与鲁棒性。训练数据里没有的带洞地形，ContactNet 也能自动穿越（泛化）；并在关节速度测量高斯噪声下系统分析了鲁棒性，模拟真实传感器的不确定性。

六、结论中英对照

EN · 原文
In conclusion, we proposed a multi-contact planner, ContactNet, capable of generating acyclic gaits, i.e., without a predefined leg sequence, in a few milliseconds, even in the presence of unstructured terrains. Simulations with Solo12 robot are performed with walk and trot motion. Robustness is demonstrated by inferring measurement noise and applying external disturbance. We demonstrated that an acyclic gait planner performs better than a planner that chooses only the foot locations with a fixed gait. Future work will consider the transfer of the approach to the real hardware.
CN · 翻译
总之，我们提出了多接触规划器 ContactNet：能在非结构化地形上、几毫秒内生成非周期步态（即没有预定义腿序）。在 Solo12 机器人上完成了 walk 与 trot 两种运动的仿真；通过注入测量噪声和施加外部扰动验证了鲁棒性。我们还证明：非周期步态规划器优于「固定步态只选落脚点」的规划器。未来工作将考虑把方法迁移到真实硬件。

七、编者解读：这篇论文到底讲了什么（大白话版）

  1. 问题：四足机器人走路，「脚踩哪儿」和「身体怎么动」是两个耦合的难题。现在轨迹生成已经很快了，但「选脚」这一步还在用人工规则（启发式），只会按固定节奏迈腿——遇到梅花桩、带洞地面就抓瞎。
  2. 做法：训练一个神经网络（ContactNet），输入地形和机器人状态，给每个候选落脚点打分排序，选最好的踩。训练数据是在平地上用「考虑稳定、鲁棒、省力」的代价函数自动生成的，不需要人教。
  3. 妙处：神经网络打分只要约 1 ms，且耗时不受地形复杂程度影响——所以它能和轨迹优化器并行跑，形成 MPC 闭环，机器人一边走一边重新选脚。
  4. 结果：Solo12 仿真里，它能自动穿越训练时没见过的带洞地形；加测量噪声、推它一把也能稳住。作者还承认「只在仿真里做了」，下一步是真机。
  5. 工程意义：对四足机器人商业化来说，「又快又稳地选落脚点」就是一切——巡检、救灾、搬运都靠它。用「学习排序」替代「在线硬优化」也是机器人学的通用套路，值得迁移到机械臂抓取、无人机路径规划。
🎯 对保研的启示：这篇论文示范了「离线学习 + 在线推理」的经典打法——把昂贵的计算（优化、搜索）搬到训练阶段，让推理时快得能进控制环。复试时若能讲清「什么在离线做、什么在线做、为什么快」，就抓住了足式机器人方向的核心方法论。

八、给准大一的阅读路线图 & 延伸方向

📖 怎么读这篇论文（三遍法）

  1. 第一遍（10 分钟）：只读摘要和术语表，回答三个问题——问题是什么？方法是什么？结果是什么？（答案：非周期接触规划→神经网络打分排序→1 ms 级、Solo12 仿真验证）
  2. 第二遍（20 分钟）：读引言 + 结论，重点体会「为什么启发式规划器不够用」以及「结论里承认的边界（只在仿真、未上真机）」。
  3. 第三遍（30 分钟）：读方法部分（代价函数、网络结构、与质心轨迹优化器怎么配合），跳过所有公式和编号，只看文字描述；遇到不懂的术语回查术语表。

🚀 这个方向你能延伸做什么

九、英文摘要朗读（练听力用）

先盲听一遍→再看对照稿→再听一遍。目标是听出每个数字（1 ms）和术语（contact planner、acyclic、MPC、quadruped robot Solo12）。