顶刊发表!山东大学李贻斌教授团队研发出简捷高机动轮腿复合式机器人
在IT行业这个发展更新速度很快的行业,只有不停止的学习,才不会被行业所淘汰。如果你是科技周边学习者,那么本文《顶刊发表!山东大学李贻斌教授团队研发出简捷高机动轮腿复合式机器人》就很适合你!本篇内容主要包括##content_title##,希望对大家的知识积累有所帮助,助力实战开发!
人类自古以来就梦想着能够研发出可适应多种野外地形的移动机构。轮式移动平台具有较好的运动平稳性和移动效率,但难以在崎岖地形中行进;腿足式机器人具有较好的地形适应能力和移动灵活性,但其运动稳定性和能效有待提高。
为融合轮式移动和腿足移动的优势,轮腿复合式移动机构应用而生。常见的轮腿复合机构主要包括异形轮(如RHex)、辐条轮(如Whegs)、变形轮(如OmniWheg)、轮腿串联(如Wheeled-ANYmal)等,如图X所示。

图1 常见轮腿复合式机器人
近日,山东大学李贻斌教授团队联合日本立命馆大学马书根教授、中科院沈阳自动化所刘金国教授和之江实验室孔令雨副研究员,研发出一种新型轮腿复合式机器人,命名为Q-Whex,如图2所示。

图2 Q-Whex机器人
Q-Whex既能够像轮式移动平台一样在平坦地面上平稳地移动,也可以像足式机器人一样翻越高于其底盘高度的障碍物。与其他轮腿复合式移动机器人相比,Q-Whex在运动平稳性、机构复杂度和控制难度等方面均具有优势,如表1所示。
表1 Q-Whex与其他类型轮腿复合式移动机器人对比

该工作以“Q-Whex: A simple and highly mobile quasi-wheeled hexapod robot”为题发表在Journal of Field Robotics期刊上。
▍机构简单,控制便捷
论文中展示的Q-Whex机器人长277.5 mm,宽204.8 mm,高39.5 mm,自重2.4kg,在负重2.65 kg的情况下能够达到0.44 m/s的前进速度。A- Whex是由一个躯干和六个独立驱动的相似扇形半轮(quasi-wheel)构成的。躯干内部集成了控制电路、IMU、电池、摄像头,轮腿结构的驱动电机也安置于躯干内部;每个半轮呈210°的扇形结构,扇心处连接电机的输出轴实现转动,当扇形的弧边触地时即为轮式移动,当扇形的棱边触地时可实现腿式越障的效果。
Q-Whex的制作和装配非常简单,如图3所示,电机和躯干内部的元件均安装于两块碳纤维板中间,每个扇形半轮也由碳纤维板制成。

图3 Q-Whex分解图
Q-Whex的运动控制也非常容易,各个扇形半轮连续旋转,通过控制机器人左侧扇形半轮与右侧扇形半轮的转速差即可实现转向,通过控制各扇形半轮转角之间的相位差即可生成不同的步态。图4展示了Q-Whex的4种典型步态。

图4 Q-Whex典型步态展示
▍轮腿复合,爬坡越障
Q-Whex采用三角步态可以在平坦地面上像轮式移动平台一样平稳的移动,如图5所示。

图5 Q-Whex在平坦地面上平稳移动
雪地、冰面、砾石等地面,Q-Whex也可以轻松应对,如图6所示。

图6 Q-Whex在多种地面上运行
利用对称步态可以上下32度斜坡,如图7所示。

图7 Q-Whex上32度斜坡
可以攀爬连续台阶,如图8所示。

图8 Q-Whex攀爬连续台阶
各种崎岖地形也不在话下,如图9所示。

图9 Q-Whex在崎岖地形中运行
▍对称构型,无惧翻覆
由于Q-Whex机器人的结构设计在前后、左右和上下三个方向上均采用了对称的构型,因此其在运动过程中没有正反和前后的区别。当机器人在行驶过程中发生意外翻覆后,可以采用“反面向上”的构型继续前行,从而对于在复杂环境运动中的风险和意外情况具有优良的保险性和容错能力。根据图10所示,在机器人爬台阶过程中发生翻倒后,它采用了“背面朝上”的方式成功完成攀爬。
图10 Q-Whex翻覆后可继续行驶

▍机载摄像,远程探测
A- 装备了小型摄像头的Q-Whex机器人可以通过WiFi或4G网络实时传输采集到的图像到远程操作端。因此,Q-Whex可以执行无人探测任务,如图11所示。
图11 Q-Whex可采用机载摄像头进行远程探测

还可以远程逗猫,如图12所示。
图12 Q-Whex与猫

Q-Whex本质上是一种新型的轮腿复合移动概念,其高机动性与强通过性源自六个独立驱动的扇形半轮的连续转动与相互间的相位协同。该概念可应用于工业巡检、物流运输、野外探测等所需的移动平台,根据实际应用需求选用合适的构型与尺寸。机器人无需采用复杂的感知或控制策略,其结构与控制上的简捷性进而提升了系统的鲁棒性和可靠性。
论文第一作者为山东大学张国腾副研究员,邮箱:
guoteng@email.sdu.edu.cn。
论文链接:
https://doi.org/10.1002/rob.22186
以上就是《顶刊发表!山东大学李贻斌教授团队研发出简捷高机动轮腿复合式机器人》的详细内容,更多关于机器人,研发,轮腿的资料请关注golang学习网公众号!
windows10右下方的气温怎么关
- 上一篇
- windows10右下方的气温怎么关
- 下一篇
- 苹果iOS 17 Beta 1和macOS Sonoma Beta 1更新:备忘录应用新增备忘录链接功能
-
- 科技周边 · 人工智能 | 6小时前 | 人工智能 · rag · 语义检索重排器 第二阶段重排 Cross-Encoder Retrieve and Re-Rank Recall@K
- 语义检索重排器何时值得加入第二阶段
- 449浏览 收藏
-
- 科技周边 · 人工智能 | 11小时前 | 缓存 · 人工智能 · 提示词工程 · 提示词缓存 cache_control Prompt Caching 静态前缀 cache_read_input_tokens
- 提示词缓存命中率低应如何划分静态前缀
- 453浏览 收藏
-
- 科技周边 · 人工智能 | 13小时前 |
- 模型路由怎样按任务难度分配不同推理预算
- 232浏览 收藏
-
- 科技周边 · 人工智能 | 15小时前 |
- 结构化输出遇到递归字段时怎样约束模式
- 215浏览 收藏
-
- 科技周边 · 人工智能 | 17小时前 | 人工智能 · 工具调用 ·
- 智能体工具调用失败后怎样设计可控重试
- 236浏览 收藏
-
- 科技周边 · 人工智能 | 20小时前 |
- 多模态模型输入图片过大时如何控制视觉令牌
- 196浏览 收藏
-
- 科技周边 · 人工智能 | 22小时前 |
- 推理服务连续批处理怎样减少 GPU 空转
- 404浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | 人工智能 · LoRa PEFT merge_and_unload 量化推理 模型合并
- LoRA 合并权重后输出变化过大应检查什么
- 404浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 |
- RAG 分块重叠过大为什么会降低检索多样性
- 409浏览 收藏
-
- 科技周边 · 人工智能 | 1天前 | 人工智能 ·
- 合成数据能否替代真实样本:覆盖率与偏差检查方法
- 128浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 398次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 478次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 483次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 428次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 255次使用
-
- 本地大模型反复输出同一句话怎么调整生成参数
- 2026-09-06 501浏览
-
- Python 调用大模型时如何用结构化输出校验 JSON:从解析失败到可重试
- 2026-08-29 501浏览
-
- AI写作工具免费版安装教程(含豆包Clawdbot)
- 2026-05-30 501浏览
-
- WPS AI能自动生成PPT吗?输入主题一键制作演示文稿
- 2026-05-27 501浏览
-
- Canva手机闪退解决方法及适配指南
- 2026-05-25 501浏览
