四足机器人属于复杂的机电系统，需要集成生物、机械、电子、控制等学科内容，具体涉及仿生设计、灵巧运动机构设计、高性能驾驶员制造、步行稳定性控制、强化学习等多个研究方向。 其中，机构设计是保障四足机器人结构本体有效承受运动冲击、模拟四足动物运动的前提条件； 高性能执行器为机器人的运动提供了足够的动力，行走稳定性控制加强多关节执行器协调实现机器人稳定行走的学习在复杂的环境感知决策、不确定模型建模控制方面展示了良好的运动前景。
针对目前足式机器人市场，高性能驱动器、行走稳定性直接决定着产品的运动性能，而强化学习对于非确定性建模、复杂环境决策有广阔的前景，对于科研人员来说都是不错的研究方向。
在高性能驱动器方面，美国boston dynamics拥有业界首屈一指的小型液压驱动单元、高性能电机和辅助驱动解决方案，开发了包括bigdog、LS3、Spot、Spot mini在内的多态液压、电动四足步行机器人； MIT提出了“主动传动”的直接驱动电机驱动和力控解决方案，实现了高带宽力矩电机控制，开发了世界知名的Cheetah3和mini cheetah； 瑞士ETH开发了基于SEA的ANYdrive驱动器，并在此基础上开发了ANYmal四足机器人。 因此，为了提高四足步行机器人的运动性能，减轻控制压力，开展高性能驾驶员很重要。
足式机器人的行走稳定性控制，自20世纪80年代Marc Raibert在麻省理工学院开展单腿跳跃机器人研究，基于virtual leg首次研制出高性能跳跃四足机器人以来，四足机器人的行走稳定控制一直是科研的难点和热点。 从2008年开始，波士顿动力bigdog问世，包括MIT、ETH、IIT、UPenn在内的各国大学研究机构相继开展了四足机器人行走控制算法的研究，推出了盲走、倒车、侧踢外
那么，在以上大的研究方向下，四足机器人的入门和学习需要具备哪些核心技能呢？我们的工程师总结了以下几点：
1建模和控制(脚机器人) :
建模是指建立被控系统的动力学微分方程。 需要多刚体运动学知识，熟悉运动空间变换、正反运动学及动力学计算方法等。 入门学习可以先从简单的平面单摆模型、固定基底的机械臂入手，扩展到浮动基础动力学。
控制的核心是针对被控系统和控制目标，设计QP (二次规划)方程求得最优控制力矩，使目标跟踪误差收敛为零，需要现代控制理论、最优控制等理论和方法。 目前主流的控制算法分为两种。 1 )线性单刚体模型的模型预测控制(MPC )预测在未来一段时间内执行轨迹跟踪所需的最优控制。 首先通过四转子模型学习QP方程的建立，可以借鉴MIT的MPC算法； 2 )非线性多刚体模型的WBC )全身运动控制)，使用正向运动学导出目标点的雅可比矩阵，设计期望的加速度，基于逆运动学得到的QP方程求解最优控制，可以先从机械臂的控制开始尝试。
2状态估计(脚踏机器人) :
足式机器人的空间位置和方向不能直接测量，需要采用多刚体运动学和最优估计方法，结合IMU和足底相对于机体的位置信息，设计卡尔曼滤波器来估计机体状态。 首先可以从平面小车模型中学习滤波器的构建，逐步深入到视觉相结合的多传感器融合，具体可以参考MIT的开源代码。
3视觉感知：
以2D/3D视觉获取地图中的障碍物、高度信息，与机器人方位匹配，对周围场景建模，获得高度地图，需要熟悉视觉传感器、过滤和SLAM。
4运动计划(足机器人) :
复杂环境下基于高度地图规划机体运动轨迹和落点位置
要路径规划、凸优化和非线性优化的知识。主流的两种算法：1）在离散网格下搜索可行路径，如A*，RRT等，能够给出避开障碍物的路径；2）在连续空间下以质心轨迹和落点位置为优化变量，将物理限制写成约束方程，通过优化算法求解最优轨迹和落点。
5 人工智能：
识别场景中的行人和障碍物，需要计算机视觉、自然语言处理、语义识别和分割与深度学习、强化学习等知识。
6 系统开发：
搭建机器人硬件和仿真，需要熟悉ROS编程，Gazebo仿真，嵌入式系统、Linux上位机开发。
随着5G技术的普及，机器人技术和AI技术的进步，对于足式机器人的研究成果越来越丰硕。足式机器人已逐步融入普通人的日常生活。作为一家深耕四足机器人多年的企业，我们以技术为基石，用技术驱动改变。我们期待将智能可进化的机器人产品带到千家万户，让机器人成为大家的伙伴、助手。