LEAP: Gradient Flow Augmented Lagrangian Trajectory Optimization for Contact Constrained Robots
中文摘要
由模型生成 · 人工抽检LEAP 提出用梯度流增强拉格朗日方法求解接触约束机器人的轨迹优化问题，通过伪谱配点与原始-对偶梯度流替代传统牛顿/SQP 求解，解决摩擦锥约束下初始猜测敏感和关节规模扩展差的问题，在五类机器人基准上全部求解成功并加速，值得机器人控制与优化领域关注。
全文
已译中文[Submitted on 14 Oct 2026]
标题：
LEAP: Gradient Flow Augmented Lagrangian Trajectory Optimization for Contact Constrained Robots
作者：
César E. Ramos Chuquiure
Ryan Tsai
Yutong Zhou
Zihang Huang
Vansh Thakur
Akshunn Trivedi
Zachary Lin
Pearl Lin
Ruikai Yang
Challen Enninful Adu
Ram Vasudevan
查看题为 LEAP: Gradient Flow Augmented Lagrangian Trajectory Optimization for Contact Constrained Robots 的论文 PDF，作者为 César E. Ramos Chuquiure 及另外 10 位作者
查看 PDF
HTML（实验性）
摘要：
为腿式机器人和操作机器人生成动态可行的运动，需要求解一个大型、非线性、非凸的最优控制问题（OCP），其中接触力旋量必须在整个运动过程中满足摩擦锥约束，而不仅仅是在孤立的时间点上满足。现有求解器对初始猜测敏感，并且随着关节数量的增加扩展性很差。本文提出 LEAP，它采用伪谱配点法对 OCP 进行离散化，并且不采用 Newton 或 SQP 求解，而是对一个 Powell--Hestenes--Rockafellar 增广拉格朗日的原始--对偶梯度流进行积分来求解。由于该梯度流具有刚性，本文设计了一种线性隐式积分器，其带有 Gauss--Newton 度量、动量以及基于价值函数的步长控制器，以保持增广拉格朗日单调。在五个机器人平台（从平面跳跃机器人到 32 关节人形机器人）的运动基准测试中，LEAP 是唯一能够求解所有测试问题的方法，在若干基准测试上相较 Crocoddyl 和 Aligator 取得了显著加速，并在更小的计算预算下达到可跟踪的参考轨迹。所得轨迹通过在高保真仿真器和硬件上进行跟踪而得到验证。我们将在本文最终录用后公开代码。
投稿历史
来自：Cesar E. Ramos-Chuquiure [
查看邮件
[v1]
2026年10月14日 星期三 21:04:31 UTC (4,171 KB)
本译文由模型自动生成，仅供参考与快速理解；涉及数字、版本、命令、法律条文等请以原文为准。
原文附件
2 个 · 均跳转原站，本站不托管文件正文为原站公开内容的抓取与清洗结果，英文条目附模型生成的中文译文；两者均仅供参考， 准确内容请以原站为准。内容版权归原作者所有，若认为侵权请联系我们下线。