MIT Cheetah-Software 四足机器人控制入门指南
2026-02-04 05:07:20作者:瞿蔚英Wynne
项目概述
MIT Cheetah-Software 是一个用于控制四足机器人的开源软件系统,特别为MIT研发的Mini Cheetah和Cheetah 3机器人设计。该系统提供了完整的仿真环境和硬件控制接口,使研究人员能够快速开发和测试各种控制算法。
环境配置
系统依赖安装
在Ubuntu系统上,需要先安装以下基础依赖包:
sudo apt install mesa-common-dev freeglut3-dev coinor-libipopt-dev libblas-dev liblapack-dev gfortran liblapack-dev coinor-libipopt-dev cmake gcc build-essential libglib2.0-dev
对于较新版本的Ubuntu(18.10或19.04),Qt可以通过以下方式安装:
sudo apt install libqt5 libqt5gamepad5
第三方库要求
系统还需要以下三个关键库:
- LCM:轻量级通信库,版本1.3.1或更高
- Qt:图形界面框架,需要5.10.0或更高版本,且必须包含gamepad库
- Eigen:线性代数库
代码构建流程
- 获取代码仓库
- 进入项目目录
- 执行类型生成脚本
- 创建并进入build目录
- 使用CMake生成构建系统
- 使用make进行编译
cd scripts
./make_types.sh
cd ..
mkdir build
cd build
cmake ..
make -j
测试验证
编译完成后,可以通过运行common/test-common来执行基础测试。需要注意:
- OSQP测试可能因求解器非确定性而偶尔失败,重新运行即可
- CASADI测试可能因动态库加载问题失败,这不会影响基本功能
控制器硬件配置
系统推荐使用Logitech F310游戏手柄作为控制输入设备,使用时需注意:
- 手柄背面的开关应置于"X"位置
- 更改开关位置后需要重新连接设备
- 模式按钮附近的LED指示灯应保持熄灭状态
仿真环境使用指南
配置文件说明
仿真器有两个主要配置文件:
simulator-defaults.yaml:仿真器默认参数default-terrain.yaml:地形配置,可添加障碍物和调整地面摩擦系数
启动流程
- 连接游戏手柄
- 运行
sim/sim启动仿真器 - 选择"Mini Cheetah"和"Simulator"
- 点击"Start"按钮
控制模式切换
- 启动MIT控制器:
user/MIT_Controller/mit_ctrl m s - 在仿真器中将控制模式设为10(准备状态)
- 待机器人停止移动后,设为模式1
- 最后设为模式4,机器人将开始小跑步态
视图操作技巧
- 点击拖动:调整视角
- 滚轮:缩放视图
- 按住
t键:最大速度运行仿真 - 空格键:切换自由相机模式
- W/A/S/D/R/F键:移动相机位置
开发自定义控制器
项目结构
自定义控制器应放置在user目录下,并需要修改user/CMakeLists.txt添加编译配置。可以参考JPos_Controller示例项目。
控制器基类
自定义控制器需要继承RobotController基类,并实现以下关键方法:
runController:主控制循环,默认1kHz频率getUserControlParameters:返回用户参数指针(如不使用返回nullptr)
可用资源
在控制器中可访问以下重要资源:
_quadruped:机器人常量参数(连杆长度、齿轮比、惯量等)_model:机器人动力学模型_legController:腿部控制接口_stateEstimate:状态估计结果_driverCommand:游戏手柄输入_controlParameters:控制参数_visualizationData:调试可视化接口
腿部控制方式
_legController提供多种控制模式,所有控制器的输出将被叠加:
- 关节扭矩控制(
tauFeedForward) - 足端力控制(
forceFeedForward) - 关节位置PD控制(
qDes+qdDes) - 笛卡尔空间PD控制(
pDes+vDes)
硬件部署注意事项
在实际机器人上运行时,与仿真环境的主要区别包括:
- 只能看到状态估计结果,无法使用"cheater模式"
- 调试可视化功能不可用
- 需要特别注意安全检查和故障处理
开发建议
- 先在仿真环境中充分测试算法
- 逐步增加控制复杂度,从简单的位置控制开始
- 充分利用LCM工具进行调试和数据记录
- 注意控制频率和实时性要求
- 开发过程中定期检查机器人状态估计的准确性
通过本指南,开发者可以快速上手MIT Cheetah-Software系统,并基于此开发自己的四足机器人控制算法。系统提供了从仿真到硬件部署的完整工具链,大大降低了四足机器人控制算法的开发门槛。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust048
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
热门内容推荐
最新内容推荐
老旧Mac系统升级:让过时设备重获新生的完整解决方案高效解决输入设备控制难题:Input Remapper的灵活配置与自定义控制指南FSearch:让Linux文件搜索快如闪电的索引式搜索工具3步攻克音乐歌词获取难题:智能云音乐歌词解决方案Awoo Installer:3大突破破解Switch游戏安装难题的全方位解决方案详解Oni-Duplicity:打造专属《缺氧》世界的全能存档编辑工具告别ADB命令行困扰:ADB Explorer让Android设备管理如此简单VoTT:计算机视觉标注工具的全流程实践指南Universal-IFR-Extractor实战指南:从功能解析到配置优化的完整路径3个步骤掌握GPT Researcher:从智能研究助手到自动化报告生成
项目优选
收起
暂无描述
Dockerfile
682
4.37 K
Ascend Extension for PyTorch
Python
524
635
Claude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed.
Get Started
Rust
216
47
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
402
308
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
950
902
暂无简介
Dart
929
229
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.58 K
913
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
134
214
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
125
205
昇腾LLM分布式训练框架
Python
145
169