瑞士著名苏黎世联邦理工学院的研究人员介绍了一种名为ANYmal的四足轮腿式机器人，以及一种整体模型预测控制器，进而实现对其的有效控制。结合了轮式机器人与足腿机器人的特点及优势，轮腿式机器人可以更好的应对陌生且具有挑战性的环境，同时轮子的应用使得其运动更加高效，相较于腿式机器人，其优势显著。
该整体模型预测控制器已经成功应用在ANYmal上，实验表明，四足轮腿式机器人ANYmal首次具有协调非周期性行为的能力，从而可以降低任务运输的总成本。苏黎世联邦理工学院的研究人员在2020年将该研究成果提交到arXiv预印本网站。
在工业设施中，四足机器人的应用正在变得越来越普遍。能在我们日常生活中看到更多的这类机器人只是时间问题。显然，当前四足机器人的流行正在加速这一进程。足腿机器人可以全向移动并通过跨步或跳跃和着陆来越过复杂障碍。面对陌生复杂地形，该类机器人依然可以较好应对，但是商业产品仍然缺乏其轮式同类产品的速度、效率和可靠性，也正因此，对足腿机器人的研究大多在实验室中。而对轮式机器人的运动能力的研究则更少了。
轮子是人类文明的伟大发现之一。轮子的发现，极大的提高了人类在某些条件下的运动、运输效率，轮子也因此被广泛应用并具有较大的优势。然而，我们自鸣得意的轮子优势并没有持续很长时间，机器人对轮子的熟练程度正迅速提高，而且大大超出了我们的想象。设想以下两种情况：人类穿上溜冰鞋；机器人装上驱动轮。两者之间最大的区别在于，通过对机器人适当的设计，其可以实现对轮子的有效控制，而这是人类永远无法比拟的。
结合轮子运动的高效和足腿机器人较好应对陌生复杂环境的能力，轮腿机器人成为机器人研究领域的重点方向，具有极大的研究潜力。著名的波士顿动力（Boston Dynamics）的机器人Handle是典型的轮腿式机器人，而且其已经显示出了对轮子的控制能力。不过，波士顿动力的Handle似乎还没能充分利用它所拥有的优势。
在轮腿机器人领域，研究学者们更多尝试进行新颖的简化操作，以捕捉混合运动的动态，即同时行走和驾驶。但是，附加的自由度和自然界中缺少的同类学习使轮足机器人的运动能力设计极具挑战性。
瑞士著名苏黎世联邦理工学院的研究人员则对轮腿机器人进行了深入研究，提出了一种整体模型预测控制器，同时优化车轮和躯干运动。
该控制被应用到ANYmal轮腿机器人上，并取得了很好的控制效果，相关研究成果已经被提交到arXiv预印本网站。ANYmal的四个轮子分别与它的四个腿部连接，运动过程中，四个轮子和与之连接的四个腿部在它进行的每个动作中都无缝地融合在了一起。这使得它即有轮子的高效运动特性，同时兼顾了应对陌生复杂地形的运动能力。
研究人员提出的控制策略流程图如下图所示：首先由人通过操纵手柄，给出指令运动，而后经过步态序列生成器得到步态序列，然后利用模型预测控制规划出期望的运动，最后通过跟踪控制器实现对ANYmal的有效控制。相比与现有的方法，整体模型预测控制方法可以大大降低空间位置预估误差。
由于基于运动学模型对关节速度和地面反作用力进行了实时优化，因此该方法可以准确地捕获真实机器人的动力学模型，并通过启发式方法自动发现繁琐的动态运动。
非周期性的步态序列可通过运动的腿部实用程序自动找到，而无需预先定义的接触和提起时间。这能够大大降低轮足机器人的运输成本。研究人员进行了多种环境下运动实验，ANYmal可以顺利完成上楼梯的功能，通过室内不同形状障碍物的功能。研究人员进行了快速前后换向运动的实验，结果表明ANYmal可以实现±2m/s速度的快速切换。通过抬起某两条腿的实验，结果表明ANYmal可以保证自己身体平衡稳定。
除了室内的实验，研究人员还将ANYmal带到室外进行实验。全方面的实验表明，在具有挑战性的室内和室外环境中，带有不可转向轮的四足机器人具有极好的动态的运动性能。这里最酷的事情是ANYmal可以动态选择最佳混合步态，将轮子滚动和足腿踏步运动融合在一起。只根据车轮下方地形的感觉来进行“盲目”操作，而无需任何相机或激光雷达输入。
如果车轮不再有效，则控制器会将那条腿切换为踏步运动，同时保持与其他腿部的协调。总体而言，这使得ANYmal能够更快地移动，而不会降低其应对具有挑战性的地形的能力，并降低了运输成本，因为滚动比步行更有效。
一种新颖的步态序列生成器和整体模型预测控制器被设计用于四足轮腿机器人。该步态序列生成器不再需要预先定义的接触和提离时序序列。
而整体模型预测控制器可以在单个任务中确定机器人的躯干和车轮运动，并根据运动学模型同时优化实时关节速度和地面反作用力。实验结果证明，该方法提高了模型的准确性，并使机器人能够自动发现复杂且高度动态的运动，而这些运动是无法通过手动调整的启发式方法找到的。这也是四足轮腿式机器人ANYmal首次具有协调非周期性行为的能力，这降低了运输任务的总成本。
在未来的工作中，计划将接触时间的优化功能整合到整体模型预测控制器中。最大的挑战仍然是该方法的在线执行问题。