Robust Ladder Climbing with a Quadrupedal Robot

Autoren: Dylan Vogel, Robert Baines, Joseph Church, Julian Lotzer, Karl Werner, Marco Hutter · IROS 2025

Lizenzen

Open Access
Paper: CC BY 4.0

Alles Folgende stützt sich auf das vollständige Paper unter seiner Lizenz CC BY 4.0; die Abbildung wird mit Nennung der Autoren gezeigt.

Kurz gesagt

Hakenförmige Endeffektoren und eine Teacher-Student-RL-Policy lassen einen ANYmal D zero-shot Leitern mit 70°–90° Neigung erklimmen, mit 90 % Erfolg auf der Hardware und einer Durchschnittsgeschwindigkeit von 0,44 m/s.

Warum es wichtig ist

Leitern sind in industrieller Infrastruktur verbreitet und Leiterstürze sind eine erhebliche Berufsgefahr (das Paper zitiert geschätzte 500.000 leiterbedingte Verletzungen pro Jahr in den USA); ein Vierbeiner, der Leitern erklimmen kann, erweitert die Inspektion daher auf Orte, die er zuvor nicht erreichen konnte. Die Arbeit zeigt zudem, dass eine bescheidene Änderung der Fußform, gemeinsam mit der Policy trainiert, unter Rauschen und Störungen über fragiles oder zuverlässiges Klettern entscheidet.

Problem

Vierbeiner werden für industrielle Inspektionen eingesetzt, können aber Leitern nicht zuverlässig erklimmen, was sie von gefährlichen Orten fernhält und diese Arbeit Menschen überlässt. Ihre kugelförmigen oder flachen Füße können sich nicht an Sprossen verankern, Klettern erfordert Ganzkörperkoordination bei steilen Neigungen, und Leitern variieren in Länge, Breite, Sprossenabstand, Sprossenform und Neigung. Frühere robotische Leiterkletterversuche, meist mit Humanoiden, bewältigten nur senkrechte Leitern ohne Störungen und waren sehr langsam (26 mm/h bei einem Humanoiden, bis zu zwei Minuten pro Sprosse bei Vierbeinern).

Lösungsansatz

Die Autoren statten einen ANYmal D mit vier hakenförmigen Endeffektoren aus (Aluminiumkerne, 3D-gedruckte Schalen, konkave Flächen, die sich auf runde Sprossen setzen, und Vorsprünge zum Drücken und Ziehen) und trainieren in LeggedGym eine Policy zur Verfolgung von Positionskommandos. Eine mit Interior-point Policy Optimization trainierte Teacher-Policy nutzt privilegierte Zustandsinformationen und einen Höhenscan; ein Student mit rekurrentem Belief-Encoder wird so destilliert, dass er nur verrauschte Propriozeption, IMU-Historie sowie einen geschätzten Leiterzustand und eine geschätzte Leiterpose nutzt. Der Student gibt Gelenkpositionsziele mit 50 Hz aus, die von einem PD-Regler mit 400 Hz verfolgt werden, und wird zero-shot eingesetzt.

Wichtigste Erkenntnisse

Unter Unsicherheit ist die Fußform entscheidend: Ohne Rauschen übertreffen Kugel- und Hakenfüße in der Simulation beide 99 % Erfolg, doch mit Rauschen und Stößen erreichen Haken 96 % gegenüber 81 % für Kugelfüße.
Die Haken erlauben es dem Roboter, unter Zug zu hängen, während sein Schwerpunkt außerhalb des Stützdreiecks liegt, und bei Störungen vom Drücken auf eine Sprosse zum Ziehen zu wechseln.
Die rohe IMU-Historie ersetzte die Basisgeschwindigkeit des ANYmal-Zustandsschätzers, die beim Klettern lineare Fehler von bis zu 1 m/s aufwies.
Der Verzicht auf gesampelte Kommandozeiten zugunsten einer dichten Tracking-Belohnung und Episoden von bis zu 10 s verbesserte den Erfolg und führte zu emergentem Wiederholungsverhalten nach Abrutschen.
Eine einzige Policy übernimmt sowohl Gehen als auch Klettern, und ihre emergente Gangart ähnelt dem menschlichen Leiterklettern: Die Hinterbeine liefern Schub nach oben, während die Vorderbeine hauptsächlich stabilisieren.

Hauptergebnisse

Simulation über 50 Leiterkonfigurationen mit 3.072 Agenten, Rauschen und zufälligen Stößen: 96 % durchschnittlicher Erfolg mit Haken gegenüber 81 % mit Kugelfüßen.
Hardware, zero-shot, an einer 1,8-m-Leiter mit fünf zylindrischen Sprossen: 4 von 4 Aufstiegen bei 70°, 4 von 4 bei 80° und 2 von 3 bei 90°, insgesamt als 90 % angegeben.
Durchschnittliche Klettergeschwindigkeit 0,44 m/s (0,51 Körperlängen/s, Standardabweichung 0,16 m/s) über zehn erfolgreiche Konfigurationen, 232× schneller als der bisherige Stand der Technik bei Vierbeinern.
Sim-to-Real-Übereinstimmung bei 80°: RMSE von Basisposition und -orientierung von 11 cm und 0,18 rad über die gesamte Trajektorie.
Das Klettern setzte sich fort, während der Roboter an einem Seil gezogen wurde, das vorn oder hinten am Chassis oder am linken Vorderfuß befestigt war.
Das Training dauerte etwa 4,5 Tage auf einer RTX 3090 (Teacher 15.000 Epochen, Student 5.000, 4.096 parallele Umgebungen); Kollisionskörper der Haken verlangsamten das Training um etwa 30 %.

Einschränkungen

Der dritte Versuch bei 90° scheiterte, weil nicht modellierte Abstandshalter an der Roboterbasis die oberste Sprosse trafen; die Autoren stellten die Tests bei 90° wegen dieser Sim-to-Real-Lücke ein.
Leiterpose und Neigung stammen aus einem Motion-Capture-System, und weitere Leiterparameter werden von Hand gemessen; Motion Capture durch Sensorik wie Tiefenkameras zu ersetzen, ist künftige Arbeit.
Nur der Aufstieg wird demonstriert; der Abstieg wird als künftige Arbeit genannt.
Das Hakendesign wurde heuristisch gewählt und ist nicht optimiert.
In der Simulation führten Sprossen mit 3,5 cm Radius, größer als die 2,75-cm-Öffnung des Hakens, bei steileren Neigungen zu einem stetigen Rückgang des Erfolgs.

Wirkung auf das Fachgebiet

Das Paper war Finalist für einen IROS 2025 Award (Programmsitzung WeAT1) und hat 25 Zitierungen. Weder das Paper noch seine Projektwebsite nennt eine Veröffentlichung von Code oder Konstruktionsdateien der Haken.

Zusammenfassung

Vierbeinige Roboter verbreiten sich zunehmend in industriellen Umgebungen, wo sie Sensorpakete tragen und als autonome Inspektionsplattformen dienen. Trotz der Vorteile von Laufrobotern gegenüber radgetriebenen Robotern in rauem und unebenem Gelände können sie allgegenwärtige Elemente industrieller Infrastruktur noch immer nicht zuverlässig bewältigen: Leitern. Die Unfähigkeit, Leitern zu überwinden, hindert Vierbeiner daran, gefährliche Orte zu inspizieren, bringt Menschen in Gefahr und verringert die Produktivität industrieller Standorte. In diesem Paper lernen wir das Leiterklettern für Vierbeiner mittels einer auf Reinforcement Learning basierenden Regelungs-Policy und eines ergänzenden hakenförmigen Endeffektors. Wir evaluieren die Robustheit in der Simulation über verschiedene Leiterneigungen, Sprossengeometrien und Sprossenabstände hinweg. Auf der Hardware demonstrieren wir einen Zero-Shot-Transfer mit einer Gesamterfolgsrate von 90 % bei Leiterwinkeln von 70° bis 90°, gleichbleibende Kletterleistung bei nicht modellierten Störungen und Klettergeschwindigkeiten, die 232× höher sind als beim Stand der Technik. Diese Arbeit erweitert den Anwendungsbereich industrieller Vierbeinroboter über die Inspektion in normalem Gelände hinaus auf anspruchsvolle Infrastrukturelemente der Umgebung und hebt Synergien zwischen Robotermorphologie und Regelungs-Policy bei der Ausführung komplexer Fähigkeiten hervor. Weitere Informationen finden sich auf der Projektwebsite: https://sites.google.com/leggedrobotics.com/climbingladders.

Open Source Robotics