RAIWAY 是一项针对轮式双足机器人滚动运动的研究成果，论文由 Kyungmin Nam 等六位作者完成，已被 IEEE Robotics and Automation Letters（RA-L）接收，全文 8 页、含 7 幅图。该研究同时给出了自研硬件平台与配套控制方法，核心问题在于：当机器人依靠大尺寸车轮在不规则、非连续地形上滚动时，运动行为主要由局部的车轮与地面接触决定，而这种接触状态很难直接测量，也不能仅用地形几何来刻画。
平台方面，RAIWAY 是一款双足构型的轮式机器人，使用 20 英寸的大轮。大轮设计让机器人能够跨越一般小型轮式平台难以通过的障碍与起伏，但同时也使接触条件变得更复杂：轮子与地面的接触可能同时出现在多个位置，接触形态会随碎石、凸起和台阶边缘而变化，从而对控制策略提出更高要求。
方法方面，研究团队提出的框架利用仿真中可获得完整接触信息的优势，将多接触事件蒸馏为一个潜在表示。也就是说，仿真阶段并不直接输出接触力或接触点，而是把复杂的接触模式压缩进一个低维隐变量，让控制器学习与之对应的运动策略。到真实部署时，控制器仅依靠本体感知在线推断该表示，无需安装任何接触传感器，从而避免了在真实机器人上难以实现且易损的直接接触测量。
实验方面，作者在真实世界中让系统穿越了多种环境，包括陡坡、碎石床、钉状表面以及岩石地形，并展示了在测试的室外楼梯上连续向上攀爬的能力，台阶高度最高达到 15 厘米。研究还进行了对比实验：在相同的机器人平台上，所提出的控制器在多个具有挑战性的室内与室外场景中均优于不具备接触信息机制的基线方法，说明该隐表示确实为控制带来了实质收益。
论文同时提供了演示视频，链接为 https://youtu.be/Ch0divLg64w。该工作发表于 arXiv（编号 2610.33172，分类 cs.RO），投稿时间为 2026 年 10 月 23 日。整体来看，这项研究的意义在于把“接触”这一在真实系统中难以观测的关键因素，转化为可以在仿真中学习、在部署时推断的内部表示，为轮足机器人在非结构化地形上的盲行运动提供了一条可行路径。