在自主機器人競速領域，輪式四足機器人因其在複雜地形上的高機動性而備受關注。然而，高速轉彎時產生的側向載荷轉移會嚴重影響穩定性和效能。來自加州大學伯克利分校的研究團隊提出了一種創新的層次化控制框架，透過模型預測控制（MPC）和強化學習（RL）的協同作用，實現了主動側傾控制，有效抑制了載荷轉移。
該框架由三個主要模組組成：首先，離線生成時間最優的賽道線路；其次，線上MPC規劃器根據車輛動力學腳踏車模型（以Unitree Go2-W平臺為基礎）即時最佳化，主動最小化側向載荷轉移比（LTR）；最後，基於全身RL的低層策略直接驅動16個執行器。值得注意的是，機器人腿部執行器被用作主動懸架，透過膝關節產生抗側傾扭矩，使車身在轉彎時向內傾斜，從而抵消離心力。
為了驗證該方法的有效性，研究團隊在物理賽道上進行了實驗。結果表明，與無側傾控制的標準控制器相比，主動側傾控制將平均LTR降低了44%，最快圈速提升了8.7%，峰值側向加速度提高了21.3%至1.98 m/s²。此外，機器人在高速下的穩定性顯著增強，遠超基線控制器的能力範圍。
該研究已被2026年國際先進車輛控制研討會（AVEC 2026）接收，並計劃於2026年9月在日本筑波舉行。相關程式碼和影片已開源，供學術界和工業界參考。這一工作不僅為輪式四足機器人的高速自主競速提供了有效控制策略，也為未來在搜救、偵察等領域的應用奠定了基礎。