本文介绍了一项来自 arXiv（编号 2606.26313）的机器人学研究，论文题为《Racing a Wheeled Quadruped: Active Load Transfer Mitigation via Model Predictive Control》（轮式四足机器人竞速：通过模型预测控制实现主动载荷转移缓解），由 Marla Eisman 等四位作者完成，于 2026 年 6 月 24 日提交。该工作已被第 17 届国际先进车辆控制研讨会（AVEC 2026）接收，会议将于 2026 年 9 月 7 日至 11 日在日本筑波举行。论文属于机器人学（cs.RO）与系统与控制（eess.SY）交叉方向。
研究的核心问题是：轮式四足机器人在高速自主竞速过弯时，会产生显著的横向载荷转移，即车身重量向弯道外侧车轮集中，从而削弱抓地力、限制过弯速度并带来失稳风险。作者提出了一套分层控制框架，将模型预测控制（MPC）与强化学习（RL）结合，用于主动侧倾控制，以缓解这一载荷转移问题。
该框架由三个层级构成。第一层是离线生成的时间最优赛道线，为竞速提供参考轨迹。第二层是在线 MPC 规划器，它以车辆动力学的自行车模型为基础，针对 Unitree Go2-W 平台建模，并在运行中主动最小化横向载荷转移率（Lateral Load Transfer Ratio，LTR），这是衡量左右车轮载荷不平衡程度的关键指标。第三层是部署在机器人全部 16 个执行器上的底层全身强化学习策略，负责将规划层的高层指令落实为具体关节动作。
一个颇具新意的设计是让腿部执行器充当主动悬架：膝关节主动输出抗侧倾力矩，使机器人在过弯时像摩托车一样向弯内倾斜压弯（banking），从而把载荷更均匀地分配到左右车轮上。这种利用四足机器人腿部机构实现主动侧倾的思路，区别于传统轮式车辆依赖被动悬架或专用防倾杆的方案。
在真实赛道实验中，主动侧倾控制带来了多项可量化收益：平均横向载荷转移率最多降低 44%；最快单圈时间提升 8.7%；峰值横向加速度能力提升 21.3%，达到 1.98 m/s²。更重要的是，该控制器在高速下保持了稳健的稳定性，其可稳定工作的速度范围超出了不倾斜的基线控制器，说明主动压弯不仅提升了极限性能，也扩展了安全运行边界。
作者公开了补充代码与演示视频，仓库地址为 https://github.com/meisman-ucb/go2w-roll-control-mpc，便于社区复现与后续研究。论文全文可通过 arXiv 页面获取 PDF、实验性 HTML 版本与 TeX 源码，DOI 为 10.48550/arXiv.2606.26313（DataCite 注册尚待完成）。总体而言，该研究展示了将经典车辆动力学控制与现代学习型全身控制相结合，在腿轮混合机器人极限运动中的实际价值。