轮式/足式移动机器人的运动学/动力学约束与控制分析

摘要

移动机器人按移动方式可大致分为轮式机器人、足式机器人与轮足混合式机器人三大类。轮式机器人在平坦地面上具有高速高效率的优势，但因非完整约束导致运动自由度受限；足式机器人能够通过离散落足点适应崎岖地形，但其控制面临高自由度、欠驱动和非线性动力学的挑战；轮足混合式机器人则试图融合二者的优势。本文从运动学建模、动力学建模、核心约束机制与控制策略四个维度，对上述三类机器人的控制理论进行系统分析，并展望未来发展趋势。

1 引言

移动机器人已被广泛应用于工业自动化、物流运输、搜索救援和环境监测等场景。根据移动方式的不同，地面移动机器人主要分为轮式、履带式、足式以及混合式几种类型。其中，轮式机器人和足式机器人是最受关注的两种形态。

轮式机器人的优势在于其简单的结构设计、高移动速度和良好的能效比，特别适合在平坦的室内或结构化环境中运行。由于受到非完整约束（nonholonomic constraints）的限制，传统的轮式机器人无法实现全向移动，侧向位移受到严格限制。这种"以自由度换性能"的权衡赋予了轮式机器人在高速巡航和重载运输上的显著优势，但同时也限制了其转向能力和狭小空间内的机动性。

足式机器人的核心优势在于其卓越的地形适应能力。与传统轮式或履带式机器人需要连续地面支撑不同，足式机器人的落脚点是离散的，可以根据地形变化灵活调整腿足的运动和落脚点，从而在复杂非结构化地形中展现出独特的机动能力。然而，足式机器人的控制问题远比轮式机器人复杂：高自由度带来的运动学和动力学冗余、与环境接触产生的离散冲击、以及自身的不稳定平衡特性，共同构成了足式机器人控制的核心挑战。

近年来，轮足混合式机器人（wheel-legged hybrid robots）逐渐成为研究热点。这类机器人试图在一个平台上融合轮式的高效性与足式的地形适应性，例如通过将麦克纳姆轮集成到腿部末端，实现全向移动与越障能力的结合。

本文旨在系统阐述轮式与足式机器人的运动学模型、动力学模型、约束机制及控制方法，为轮/足式机器人控制系统设计提供全面的理论参考。

2 轮式移动机器人的建模与约束

2.1 运动学模型

轮式移动机器人的运动学模型描述了车轮速度与机器人整体运动之间的映射关系。根据是否受非完整约束的限制，轮式移动机器人可分为两大类：全向移动机器人和非完整移动机器人。

全向移动机器人（omnidirectional mobile robots）的底盘速度不受任何等式约束，机器人可以在任意方向上独立移动。典型的实现方式包括麦克纳姆轮（Mecanum wheels）和全向轮（omni wheels），这些特殊轮型通过在轮缘上配置自由滚子来实现横向滑动能力。

非完整移动机器人（nonholonomic mobile robots）则受到Pfaffian速度约束的限制：

A(q)q˙=0A(q)\dot{q} = 0A(q)q˙=0

其中 q=(ϕ,x,y)q = (\phi, x, y)q=(ϕ,x,y) 表示机器人在SE(2)空间中的位形，q˙\dot{q}q˙ 为广义速度。对于汽车式机器人而言，这一约束体现为机器人无法沿垂直于车体轴线的方向直接移动（即不能"螃蟹式"横移）。尽管存在这一速度层面的约束，非完整机器人在无障碍平面上仍然能够到达任意位形，这意味着该速度约束不可积分为等效的位形约束，因此属于非完整约束。

差动驱动式移动机器人（Differential Wheeled Robot, DWR）是最经典的非完整移动机器人之一。其运动学模型可描述两独立驱动轮的角速度与机器人中心线速度和角速度之间的关系，对应的非完整约束方程限制了机器人垂直于前进方向的横向速度为零。

2.2 动力学模型

轮式移动机器人的动力学模型描述了车轮力矩与机器人加速度之间的映射关系。对于非完整系统，建立动力学模型的关键在于将约束力纳入动力学方程。

一种标准的处理方式是通过拉格朗日乘子法将非完整约束引入动力学方程，然后通过适当的坐标变换消去未知的约束乘子，从而得到独立的运动方程。例如，对于差动驱动机器人（DWR），通过引入拉格朗日乘子并利用约束矩阵的零空间进行变换，可将含约束力的动力学方程转化为不含乘子的标准动力学形式。

更一般的动力学模型可表达为：

M(q)q¨+C(q,q˙)q˙+G(q)=B(q)τ+AT(q)λM(q)\ddot{q} + C(q, \dot{q})\dot{q} + G(q) = B(q)\tau + A^T(q)\lambdaM(q)q¨+C(q,q˙)q˙+G(q)=B(q)τ+AT(q)λ

其中 M(q)M(q)M(q) 为惯性矩阵，C(q,q˙)C(q, \dot{q})C(q,q˙) 为科氏力/离心力矩阵，G(q)G(q)G(q) 为重力项，B(q)B(q)B(q) 为输入矩阵，τ\tauτ 为驱动力矩（或力），AT(q)λA^T(q)\lambdaAT(q)λ 为约束力项。

在控制器设计实践中，常需考虑质心与驱动轮中点之间的位置偏差。Bai等人的研究表明，将这一偏差纳入建模可以得到更精确的系统描述，基于此设计的轨迹跟踪控制器能更好地保证闭环稳定性。

2.3 核心约束机制

2.3.1 非完整约束

非完整约束是轮式移动机器人最核心的运动学约束。该约束本质上限制了机器人的可达速度方向，但不限制其可达位形空间。例如，差动驱动机器人不能直接向侧向平移，汽车式机器人受到最小转弯半径的限制。这种约束源自轮子与地面之间的纯滚动条件（无滑动假设）。

非完整约束的存在导致系统的控制设计面临根本性挑战：根据Brockett定理，非完整系统无法通过连续时不变状态反馈实现镇定。这意味着传统的线性控制方法在非完整系统的镇定问题中失效，必须采用更为复杂的时变反馈、非连续控制或切换控制策略。

2.3.2 运动学约束（转弯半径与曲率限制）

对于汽车式机器人，前轮转向角存在物理限位，使得机器人的最小转弯半径受到严格约束。这一约束将路径规划从简单的几何连接问题转化为受最小曲率半径约束的最优规划问题。基于Dubins曲线的路径规划方法是处理这类约束的经典工具------Dubins路径由圆弧与直线段的最优组合构成，能够在满足最小转弯半径约束的同时实现最短路径。

2.3.3 速度与力矩约束

在实际应用中，轮式机器人面临执行器能力带来的物理约束。电机速度和力矩都存在饱和极限，速度约束源自安全考虑（例如室内环境中的限速要求），力矩约束则受限于电机的最大输出能力。这些约束使得控制器设计必须将饱和非线性纳入考虑------在满足约束的前提下保证轨迹跟踪或镇定的闭环稳定性是一个重要的控制问题。

2.3.4 轮胎滑移与载荷转移约束

在高度动态的操作条件下（如大幅度横向加速度情况），轮胎滑移和载荷转移效应变得不可忽略。轮胎滑移破坏了纯滚动运动学假设，而载荷转移则改变了各轮的垂向力分布和附着能力。4WIS-4WID（四轮独立转向/独立驱动）机器人在处理这些约束时，需要基于Magic Formula等轮胎模型来显式地建模轮胎力--滑移关系，并通过统一运动控制框架协同规划各轮的转向角和驱动力矩，以保证速度跟踪精度和系统稳定性。

3 足式移动机器人的建模与约束

3.1 运动学分析

足式机器人的运动学分析涉及对每条腿的关节空间与任务空间之间的映射关系建模。以四足机器人为典型代表，每条腿通常包含3个自由度（髋关节前摆/后摆、髋关节外展/内收、膝关节屈伸），整机共12个主动自由度。D-H（Denavit-Hartenberg）方法是建立足式机器人腿部运动学模型的标准工具，通过参数化各关节坐标系之间的齐次变换关系，可以推导出正运动学方程。

逆运动学问题在足式机器人中尤为重要：给定足端期望位置（和方向），求解对应的关节角度。对于每条腿而言，这是一个从3维足端位置到3个关节角度的求解问题，通常存在解析解。当完整的运动学链确立后，通过正逆运动学的联合应用即可实现足端轨迹规划与关节空间执行之间的精确映射。

对于更高自由度的仿人双足机器人，运动学分析还包括上半身的姿态控制和全身协调运动的运动学冗余问题。

3.2 动力学分析

足式机器人的动力学建模远比轮式机器人复杂，原因在于：（1）高自由度系统带来的计算效率挑战；（2）脚与地面之间的接触力/力矩是不确定的约束力；（3）步态中的支撑相和摆动相切换引入了离散事件。

目前主流的动力学建模方法包括：

（1）拉格朗日方法：通过系统能量关系建立动力学方程，形式整齐但计算量随自由度呈指数增长，适用于自由度较低的系统。

（2）牛顿-欧拉递推方法（Newton-Euler Recursive Formulation） ：通过递推计算各连杆的速度、加速度及约束力，计算效率高，特别适合高自由度系统。Sureshkumar等人提出了一种基于牛顿-欧拉递推法的四足机器人高效建模框架：利用系统超约束特性与假设地面反力，将接触力求解约化为六维线性方程组；采用12个广义坐标描述静态行走步态，并为动态对角小跑步态引入额外广义坐标以处理欠驱动特性。

（3）混合零动力学方法（Hybrid Zero Dynamics, HZD） ：对于双足动态行走，将连续动力学与足端冲击的离散事件统一建模为混合系统，通过零动力学流形的概念将全阶动力学约化为低维周期轨道的分析。

3.3 核心约束机制

3.3.1 接触约束与支撑多边形

足式机器人维持平衡的基本条件是零力矩点（Zero Moment Point, ZMP）或压力中心（Center of Pressure, CoP）必须位于足端形成的支撑多边形内。ZMP定义为地面上所有反作用力的合力矩水平分量为零的那一点。当ZMP位于支撑面内时，机器人不会绕支撑面的边缘翻转。ZMP一旦超出支撑多边形，意味着至少一只脚将开始绕边缘旋转，若不采取恢复动作，将导致跌倒。

支撑多边形是足式机器人独有的几何约束------区别于轮式机器人始终拥有连续的地面支撑，足式机器人在行走过程中支撑多边形不断变化，支撑面的面积和形状取决于当前处于支撑相的足的数量和位置。这一动态约束是足式机器人稳定控制的几何基础。

3.3.2 足端摩擦锥约束

足端与地面之间的接触力必须满足单边约束条件（法向力非负，即不能"拉"向地面）以及摩擦锥约束（切向力受到法向力与摩擦系数的乘积限制）。摩擦锥约束确保足端不发生滑动，是足式机器人接触稳定性的基本力学条件。

3.3.3 关节力矩与运动范围约束

各关节的驱动力矩受限于执行器的峰值力矩和持续力矩能力，关节角度也受到机械结构和碰撞避免的几何限制。这些物理约束在步态规划和控制律设计中必须被显式纳入，否则将导致运动失真或执行器损坏。

3.3.4 步态时序约束

步态定义了各足在时间维度上的支撑/摆动相位分配。不同的步态（如静步态walk、对角小跑trot、跳跃bound、疾驰gallop等）对应着不同的时序约束和占空比要求。对于四足机器人，对角线小跑步态是最常见的动态步态，对角线两足同时进入支撑相或摆动相，占空比约为0.5。步态时序约束决定了支撑多边形的变化规律，直接影响系统的稳定性。

4 动力学模型的降阶与简化

4.1 轮式机器人：分层解耦策略

对于非完整轮式移动机器人，一种行之有效的控制策略是将运动学层与动力学层解耦。运动学控制器以期望线速度和角速度为控制输出，而动力学控制器则以力矩为控制变量，跟踪运动学控制器生成的速度参考信号。这种分层结构使得系统可以分别处理非完整约束（在运动学层面）和驱动力矩约束（在动力学层面），简化了控制器设计的复杂度。

在实际实现中，常采用一阶滤波方法来保证运动学控制器的速度命令有界，然后通过动态控制器（如基于Lyapunov稳定性理论的设计）确保速度和力矩约束同时满足。滑模控制因其对模型不确定性和外部扰动的鲁棒性，被广泛用于速度/力矩约束下的跟踪与镇定控制。

4.2 足式机器人：简化模型方法

4.2.1 弹簧负载倒立摆模型（SLIP）

由Raibert于1980年代提出的弹簧负载倒立摆模型（Spring-Loaded Inverted Pendulum, SLIP）是足式机器人动态运动控制中最具影响力的简化模型。该模型将机器人的整体质心视为一个与无质量弹簧腿相连的点质量，通过飞行相（腾空）和着地相（压缩--释放）两个阶段的交替来描述动态奔跑的本质特征。

SLIP模型的魅力在于其自稳定性：大量生物学研究表明，SLIP动力学能够有效捕捉生物运动的核心特征，且系统具有内在的抗扰动能力。Raibert基于SLIP模型提出的三体解耦控制方法------分别为前进速度控制（通过落足点选择）、身体姿态控制（通过髋关节力矩）和弹跳高度控制（通过腿部推力）------成为足式机器人动态控制的理论基石。

4.2.2 线性倒立摆模型（LIPM）

线性倒立摆模型（Linear Inverted Pendulum Model, LIPM）将机器人简化为在恒定高度平面上运动的一个点质量，其水平加速度与质心相对于支撑点的偏移量成正比。LIPM是双足步行ZMP规划与在线步态生成的标准工具。通过LIPM和ZMP之间的解析映射关系，可以将期望的ZMP轨迹转换为质心轨迹规划问题，再通过逆运动学求解出对应的关节运动。

4.2.3 全身动力学与质心动量方法

对于更高性能的要求，简化模型不足以捕捉系统的全部动力效应。全身动力学模型（whole-body dynamics）整合了所有关节力矩和外部接触力，能够实现精确的姿态控制和动量调节。质心动量方法（centroidal dynamics）介于简化模型和全身模型之间：以质心线动量和角动量为状态变量，考虑接触力约束，在保持一定计算效率的同时提高了模型精度。

5 轮足混合式机器人的建模与控制

轮足混合式机器人代表了移动机器人发展的一个重要方向，其核心设计理念是在保持足式地形适应性的同时引入轮式的高效移动能力。

5.1 典型平台与运动模式

近年来，多个具有代表性的轮足混合平台被提出：

OmniQuad：在机器人腿部末端集成麦克纳姆轮，实现全向轮式移动与足式越障的模态切换。
X2-N：一种可变形的轮足人形机器人，可在人形双足形态和轮足形态之间通过关节重配实现无缝切换。
四轮足机器人（Quad-Wheel-Legged Robot） ：采用协作滑冰运动控制策略，结合虚拟模型腿控制和阿克曼转向轮式运动，实现动态运动模式切换。

轮足混合机器人的典型运动模式包括：纯轮式模式（高速、高效率、低能耗）、纯足式模式（越障、爬楼梯、崎岖地形）、以及混合模式（轮驱动滑行与腿辅助平衡相结合）。

5.2 统一建模与控制框架

轮足混合机器人的控制面临的核心挑战在于：在不同运动模态下，系统的自由度数量、约束类型和动力学特性可能发生根本性变化。为此，研究者们发展了多种策略：

基于动量的规划与控制：利用动量（线动量和角动量）作为统一的描述变量，评估不同模态下的机器人平衡状态，通过直接配点法在实时环境中优化生成轮腿混合步态。
强化学习的全身控制：通过RL训练统一的控制策略，适应混合运动模态、形态变换和操作任务。X2-N的研究表明，经过适当设计的RL控制器可以在单个框架内处理运动、变换和操作等多种行为。
分层控制架构：高层规划器根据环境信息决策运动模态（轮式/足式/混合），低层根据当前模态调用相应的运动学/动力学控制器。

6 约束处理与控制策略的系统分类

6.1 约束优化方法

模型预测控制（Model Predictive Control, MPC）是处理约束最自然、最系统的框架。MPC在每个采样时刻求解一个有限时域的开环最优控制问题，其中系统动力学、状态约束和控制输入约束都被显式地纳入优化问题中。对于轮式非完整机器人，输入约束（速度/力矩饱和）可以直接表述为不等式约束。对于轮足混合机器人，MPC已用于在线生成满足平衡约束和地形安全约束的混合步态轨迹。

6.2 滑模控制

滑模控制因其对模型不确定性和外部扰动的天然鲁棒性，在约束移动机器人控制中有广泛应用。Li等人提出的框架可以在滑模控制框架下同时处理跟踪/镇定问题以及速度和力矩的饱和约束，只需通过先验调节设计参数即可确保约束不被违反。

6.3 强化学习与约束强化学习（CMDP）

近年来，深度强化学习方法在足式机器人控制中展现出了巨大的潜力。通过策略梯度方法，RL可以直接从仿真经验中学习能够应对复杂地形的运动策略。然而，标准的RL框架天然不提供约束满足的保证。

约束马尔可夫决策过程（Constrained Markov Decision Process, CMDP）框架为此提供了解决思路：将物理约束（如关节力矩限制、摩擦锥约束、ZMP约束等）与奖励函数分离处理，通过专门的约束优化算法（如PPO-Lagrangian、IPO、CRPO、FOCOPS等）在训练过程中保证约束满足，并实现从仿真到现实的有效迁移。ETH Zürich团队在ANYmal四足机器人上验证了CMDP框架处理物理约束的有效性，研究表明将约束与奖励分离能够显著提升策略在真实环境中的安全性和可靠性。

6.4 基于模型的轨迹优化与最优控制

直接配点法和直接打靶法等轨迹优化方法将连续时间的最优控制问题离散化为大规模非线性规划问题，可以在问题表述中显式地纳入运动学约束（如关节限位、足端可达域）、动力学约束（如完整运动方程）、接触约束和摩擦约束。这类方法的优势在于能够提供满足所有约束的最优轨迹，但计算量较大，通常需要离线求解或采用解耦策略以实现实时应用。

7 约束分析对控制设计的影响

7.1 非完整约束对镇定的挑战

轮式机器人的非完整约束导致系统无法通过连续时不变状态反馈实现渐近镇定------这是著名的Brockett必要条件所决定的根本性限制。为了克服这一障碍，研究者发展了多种技术路径：

时变反馈：引入显式依赖于时间的反馈增益，使控制律成为时变函数。
非连续控制：通过切换逻辑绕过Brockett条件。
atan3变换与姿态规划器：通过引入翻转坐标系和推广的atan3函数，将偏航角求解中的±π跳变问题转化为连续函数处理，基于分层架构将非完整镇定问题转化为全驱动系统的位置控制问题。

7.2 约束满足与性能优化的平衡

控制设计的核心权衡在于约束满足与性能优化之间的平衡。过于保守的约束设置（如过大的稳定裕度要求）可能导致运动能力的浪费，而过于激进的设置则可能导致安全性下降。在MPC框架中，这一权衡通过软约束/硬约束的区分以及约束惩罚权重来调节。在RL框架中，则通过约束优势函数的阈值设定来体现。

7.3 从仿真到现实的约束迁移

仿真环境虽然提供了安全的训练和验证平台，但仿真与真实环境之间的动力学差异（如接触模型的简化、摩擦模型的不精确、执行器响应的延迟等）往往导致在仿真中满足约束的策略在真实环境中失效。CMDP框架通过分离约束与奖励并采用多步约束优势估计，有助于实现更稳健的跨现实约束满足。

8 总结与展望

本文从运动学建模、动力学建模、核心约束机制和控制策略四个维度，系统分析了轮式与足式移动机器人的约束与控制问题。轮式机器人的核心约束在于非完整运动学约束和驱动器能力约束，这些约束决定了路径规划和控制设计的根本特性。足式机器人的核心约束则在于与环境的离散接触产生的平衡约束（ZMP/支撑多边形）和接触力约束，以及高自由度系统带来的计算负担。轮足混合式机器人通过融合两种运动模式，在扩展机器人能力边界的同时也使得控制系统设计更趋复杂。

当前的发展趋势可以概括为以下几点：

统一化建模与控制框架：将轮式、足式和混合式运动模态纳入统一的数学框架（如基于动量和接触约束的优化方法），实现模态间的平滑切换和协同控制。
学习与模型融合：将基于物理模型的先验知识（如SLIP模型、LIPM模型、ZMP约束等）嵌入学习算法框架中，提高学习效率的同时保证约束满足。约束强化学习（CMDP）代表了这一方向的前沿。
实时约束优化的计算加速：通过解耦策略（如将前向/侧向运动分别优化）和高效数值算法，使包含完整约束模型的轨迹优化能够在嵌入式平台上实时运行。
更高维度的形态自适应：可变形轮足机器人（如X2-N）的出现使得约束集的切换成为常态，而非特殊工况。这类系统的控制对约束认知、模式决策和过渡控制提出了新的理论问题。

随着计算能力的持续提升和机器学习方法的不断进步，轮足式移动机器人的约束感知与控制技术将向着更安全、更高效、更智能的方向发展，在复杂和动态环境中展现越来越强的自主能力。

参考文献

Shao Y. Analysis of Kinematics and Dynamics for Mobile Robots Under Nonholonomic Constraints. DASFAA 2024 International Workshops, 2024.
Bai J, Yang Z, Li Z, et al. Trajectory tracking controller design for wheeled Mobile robot with velocity and torque constraints. International Journal of Systems Science, 2024, 55(14): 2825-2837.
Liu S, Zhao Z, Wei J, et al. Kinematic Constrained RRT Algorithm with Post Waypoint Shift for the Shortest Path Planning of Wheeled Mobile Robots. Sensors, 2024, 24(21): 6948.
Li Y, Cai Y, Wang Y, et al. Simultaneous Tracking and Stabilization of Nonholonomic Wheeled Mobile Robots under Constrained Velocity and Torque. Mathematics, 2024, 12(13): 1985.
Lynch K M, Park F C. Wheeled Mobile Robots (Chapter 13). Modern Robotics. Cambridge University Press, 2024.
Sureshkumar V, Harib K H, Oseni A O. Kinematic and Dynamic Analysis of Quadruped Legged Robots: A New Formulation Approach. ICINCO 2025, 2025: 410-416.
王旭. 四足机器人运动及稳定控制关键技术综述. 吉林大学学报(工学版), 2025, 55(05): 1483-1496.
吴昭景, 冯立康. 非完整轮式移动机器人分层控制研究. Science China - Information Sciences, 2025.
查富生. 足式智能机器人学术报告. 哈尔滨工业大学, 2022.
Reher J, Ames A D. Dynamic Walking: Toward Agile and Efficient Bipedal Robots. Annual Review of Control, Robotics, and Autonomous Systems, 2026.
Al-Tameemi I, Amanuel O. Bipedal Robots: A Systematic Review of Dynamical Models, Balance Control Strategies, and Locomotion Methods. Journal of Robotics and Control, 2025, 6(3).
OmniQuad: A wheeled-legged hybrid robot with omnidirectional wheels. Mechanism and Machine Theory, 2025, 214: 106125.
X2-N: A Transformable Wheel-legged Humanoid Robot with Dual-mode Locomotion and Manipulation. arXiv:2604.21541, 2026.
Planning and Control for Wheel-Leg Hybrid Locomotion in Wheeled Biped Robots for Obstacle Traversal. IEEE Robotics and Automation Society, 2025.
Cooperative skating motion control for a quad-wheel-legged robot. Mechanism and Machine Theory, 2025.
Unified motion control of 4WIS-4WID WMR with unlimited steering and load transfer consideration. Robotics and Autonomous Systems, 2026.
零力矩点与两足机器人动态行走稳定性的关系. 哈尔滨工业大学学报, 1994(01).
ETH CMDP框架在ANYmal四足机器人中的应用. 机器人大讲堂, 2025.
浙大足式机器人技术综述. Cyborg and Bionic Systems, 2025.
https://zsc.github.io/control_tutorial/html/chapter17.html