本项目针对双轮足机器人在复杂非结构化地形中存在的动态平衡、环境适应性及运动效率不足等问题，围绕高速稳定穿越与高动态主动越障两大任务，开展四项关联子课题研究。项目融合传统控制与深度强化学习两大技术路径，保障运动稳定性与越障可控性，结合端到端架构与课程学习提升机器人地形自适应能力。项目依托仿真平台完成建模、算法设计与仿真验证，并推进实机迁移验证，最终构建高精度模型与可行控制学习策略，形成适配复杂地形、高抗扰的双轮足机器人运动控制解决方案。

目标在于构建一个可根据场景切换控制模式的轮足机器人系统，兼顾传统方法的可靠性与学习方法的适应性，从而提升机器人在多样化非结构化环境中的整体运动性能与任务完成率。具体内容包括：

1.         简化得到轮足机器人运动学与动力学模型，以此为基础设计传统控制算法，实现机器人在连续地形中的稳定移动及在离散障碍环境中的平衡控制；

2.         开发基于深度强化学习的自适应控制策略，使机器人能够在未知、动态环境中自主习得抗干扰与越障能力；

3.         构建协同控制框架，探索传统方法与强化学习在不同场景下的融合与切换机制，提升系统整体的环境适应性与任务鲁棒性。

模型控制方面，完成了PyBullet仿真平台搭建、URDF建模与动力学验证，基于Cart-LIPM的MPC实现了±1.6m/s平地稳定跟踪，穿越碎石路、斜坡时俯仰角稳定且抗扰能力达8N；基于LQR的平衡控制器与三次多项式越障轨迹规划，实现了平滑越障。强化学习方面，训练的复合指令与速度跟踪策略分别实现±0.9m/s、±0.75m/s的稳定跟踪，在粗糙地形、坡面、12cm台阶及23°坡道测试中表现优异，抗扰冲量达5N·s，台阶与坡道通过率超97%，验证了两种控制方法的有效性与互补性。