机器人运动是机器人用于从一个地方到另一个地方运输的各种方法的总称。
轮式机器人通常非常节能且易于控制。 然而，由于多种原因，其他形式的运动可能更合适，例如穿越崎岖的地形，以及在人类环境中移动和相互作用。 此外，研究双足和昆虫般的机器人可能对生物力学产生有益的影响。
该领域的一个主要目标是开发机器人的能力，以自主决定移动的方式，时间和地点。 然而，协调大量的机器人关节甚至是简单的事情，比如走楼梯，很难。 自主机器人运动是许多机器人领域的主要技术障碍，例如人形机器人（如本田的Asimo）。
运动类型
步行
步行机器人模拟人或动物的运动，作为轮式运动的替代品。 腿部运动使得轮式机器人难以到达的不平坦表面，台阶和其他区域的协商成为可能，并且对于环境地形造成的损害较小，因为轮式机器人会侵蚀它。
Hexapod机器人基于昆虫运动，最常见的是蟑螂和棒状昆虫，其神经和感觉输出不如其他动物复杂。 多条腿允许几种不同的步态，即使腿部受损，使得它们的运动在运输物体的机器人中更有用。
腿部机制
腿部机构（行走机构）是用于模拟人或动物的行走运动的连杆和关节（连杆）的组件。 机械腿可以具有一个或多个致动器，并且可以执行简单的平面或复杂运动。
与车轮相比，腿部机构可能更好地适应不平坦的地形，因为它可以越过障碍物。
昆虫
六脚步行机器人不应与Stewart平台相混淆，Stewart平台是机器人应用中使用的一种并联机械手。
六足机器人是一种六腿行走的机械车辆。 由于机器人可以在三条腿或更多条腿上静态稳定，因此六足机器人在移动方式上具有很大的灵活性。 如果腿被禁用，机器人仍然可以行走。 此外，并非所有机器人的腿都需要稳定性; 其他腿可以自由地到达新的脚位置或操纵有效负载。
许多六足机器人在生物学上受到Hexapoda运动的启发。 Hexapods可用于测试关于昆虫运动，运动控制和神经生物学的生物学理论。
双足步行
被动动态
被动动力学是指致动器，机器人或生物体在不从供应源（例如，电池，燃料，ATP）吸取能量时的动态行为。 根据应用，考虑或改变动力系统的被动动力学会对性能产生巨大影响，尤其是能源经济性，稳定性和任务带宽。 不使用电源的设备被认为是“被动的”，其行为完全由其被动动态描述。
在某些机器人技术领域（特别是腿式机器人技术），被动动力学的设计和更轻松的控制已成为20世纪开发的联合定位控制方法的补充（甚至替代）方法。 此外，动物的被动动力学一直是生物力学家和综合生物学家感兴趣的，因为这些动力学常常是生物学运动的基础，并与神经机械控制相结合。
用于研究和设计被动动力学的特别相关的领域包括腿部运动和操纵。
零点
零时刻点是与腿部运动的动力学和控制相关的概念，例如，用于类人机器人。 它指定了脚与地面接触时的动态反作用力在水平方向上不产生任何力矩的点，即水平惯性和重力的总和等于0（零）的点。 该概念假设接触区域是平面的并且具有足够高的摩擦力以防止脚滑动。
运行
示例：ASIMO，BigDog，HUBO 2，RunBot和Toyota Partner Robot。
滚动
就平面上的能量效率而言，轮式机器人是最有效的。 这是因为理想的滚动（但不是滑动）车轮不会失去能量。 以给定速度滚动的车轮不需要输入来维持其运动。 这与腿式机器人形成对比，腿式机器人在脚跟撞击时受到地面的冲击并且因此失去能量。
为简单起见，大多数移动机器人具有四个轮子或多个连续轨道。 一些研究人员试图用一个或两个轮子制造更复杂的轮式机器人。 这些可以具有某些优点，例如更高的效率和减少的部件，以及允许机器人在四轮机器人将无法进行的狭窄空间中导航。
示例：Boe-Bot，Cosmobot，Elmer，Elsie，Enon，HERO，IRobot Create，iRobot’s Roomba，Johns Hopkins Beast，Land Walker，Modulus robot，Musa，Omnibot，PaPeRo，Phobot，Pocketdelta机器人，推动会说话的垃圾桶，RB5X ，Rovio，Seropi，Shakey the robot，Sony Rolly，Spykee，TiLR，Topo，TRAraña和Wakamaru。
跃迁
20世纪80年代由麻省理工学院腿部实验室的Marc Raibert建造的几个机器人成功展示了非常动态的行走。 最初，只有一条腿和一只非常小的脚的机器人可以通过跳跃保持直立。 该动作与弹簧高跷上的人的动作相同。 当机器人落到一侧时，它会朝那个方向略微跳跃，以便抓住自己。 很快，算法被推广到两条腿和四条腿。 一个双足机器人被证明正在运行甚至是翻筋斗。 还演示了四足动物可以小跑，跑步，起搏和束缚。
例子：
麻省理工学院的猎豹幼崽是一种电动四足机器人，具有被动柔性腿，能够在很大的速度范围内自我稳定。
Tekken II是一种小型四足动物，设计用于自适应地在不规则的地形上行走。
Metachronal运动
具有行波外观的协调的顺序机械动作被称为同步节律或波，并且在自然界中由纤毛虫用于运输，并且由蠕虫和节肢动物用于运动。
冰虫
已经成功开发了几种蛇机器人。 模仿真正的蛇移动的方式，这些机器人可以在非常狭窄的空间中导航，这意味着他们有一天可能会被用来搜索被困在倒塌建筑物中的人。 日本的ACM-R5蛇形机器人甚至可以在陆地和水中航行。
示例：蛇臂机器人，Roboboa和Snakebot。
游泳的
自主水下航行器（AUV）是一种在不需要操作员输入的情况下在水下行进的机器人。 AUV构成更大的海底系统的一部分，称为无人水下航行器，包括非自主远程操作的水下航行器（ROV） – 由操作员/飞行员通过脐带或使用遥控器从地面控制和供电。 在军事应用中，AUV通常被称为无人驾驶海底车辆（UUV）。 水下滑翔机是AUV的子类。
Brachiating
通过摆动，机器人可以通过摆动来运动，仅使用能量来抓取和释放表面。 这种动作类似于从树到树的猿。 两种类型的肱动脉可以与双足行走运动（连续接触）或跑步（富金属）相比较。 连续接触是指手/抓握机构始终连接到交叉表面; richochetal采用从一个表面/肢体到另一个表面/肢体的“飞行”阶段。
混合动力
机器人还可以设计为以多种模式执行运动。 例如，Bipedal Snake Robo既可以像蛇一样滑行，也可以像双足机器人一样行走。
途径
步态工程
产品优化
生产优化是对产品进行更改或调整以使其更加可取的做法。
产品具有许多属性。 例如，汽水瓶可具有不同的包装变化，风味，营养价值。 可以通过微调来优化产品。 通常，目标是使产品更加可取，并增加营销指标，如购买意图，可信度，购买频率等。
运动规划
运动规划（也称为导航问题或钢琴移动器的问题）是机器人中用于将期望的运动任务分解为满足运动约束并且可能优化运动的某些方面的离散运动的过程的术语。
例如，考虑将建筑物内的移动机器人导航到远处的航路点。 它应该执行此任务，同时避免墙壁，而不是下楼梯。 运动规划算法将这些任务的描述作为输入，并产生发送到机器人车轮的速度和转向命令。 运动规划算法可以解决具有更多关节（例如，工业操纵器）的机器人，更复杂的任务（例如，对象的操纵），不同的约束（例如，只能前进的汽车）和不确定性（例如，不完美的模型环境或机器人）。
运动规划具有多种机器人应用，例如CAD软件中的自主性，自动化和机器人设计，以及其他领域的应用，例如动画数字角色，视频游戏，人工智能，建筑设计，机器人手术和研究生物分子。
可以对人类，昆虫和其他生物进行运动捕获。
动作捕捉（有时简称为mo-cap或mocap）是记录物体或人物运动的过程。 它用于军事，娱乐，体育，医疗应用，以及计算机视觉和机器人的验证。 在电影制作和视频游戏开发中，它指的是人类演员的记录动作，并使用该信息来动画2D或3D计算机动画中的数字人物模型。 当它包括面部和手指或捕捉微妙的表达时，它通常被称为性能捕获。 在许多领域，动作捕捉有时被称为动作追踪，但在电影制作和游戏中，动作追踪通常更多地指移动。
在动作捕捉会话中，每秒多次对一个或多个演员的动作进行采样。 尽管早期技术使用来自多个相机的图像来计算3D位置，但是动作捕捉的目的通常仅是记录演员的动作，而不记录他或她的视觉外观。 此动画数据将映射到3D模型，以便模型执行与actor相同的操作。 这个过程可能与旧的rotoscoping技术形成对比，如Ralph Bakshi的“指环王”（1978）和“美国流行音乐”（1981）中所见。 通过追踪真人演员，捕捉演员的动作和动作，在这些电影中实现了动画人物的动作。 为了解释，演员被拍摄进行动作，然后将拍摄的电影逐帧投影到动画表格上。 动画师将真人动画片段追踪到动画片上，逐帧捕捉演员的轮廓和动作，然后用动画角色填充跟踪的轮廓。 然后逐帧拍摄完成的动画片段，与真人片段的动作和动作完全匹配。 最终结果是动画角色完全复制了演员的真人动作。 但是，这个过程需要相当多的时间和精力。
摄像机运动也可以是运动捕捉的，以便场景中的虚拟摄像机在演员表演时由摄像机操作员驱动的舞台周围平移，倾斜或移动。 同时，动作捕捉系统可以捕捉相机和道具以及演员的表演。 这允许计算机生成的角色，图像和集合具有与来自摄像机的视频图像相同的透视图。 计算机处理数据并显示演员的动作，根据集合中的对象提供所需的摄像机位置。 从捕获的镜头中追溯获取相机移动数据称为匹配移动或相机跟踪。
机器学习，通常有强化学习。
机器学习（ML）是人工智能领域，其使用统计技术使计算机系统能够从数据“学习”（例如，逐步提高特定任务的性能）而无需明确编程。
机器学习这个名字是由Arthur Samuel于1959年创造的。 机器学习探索了可以从数据中学习和预测数据的算法的研究和构建 – 这种算法通过从样本输入构建模型，通过数据驱动的预测或决策来克服严格的静态程序指令。 机器学习被用于一系列计算任务中，其中设计和编程具有良好性能的显式算法是困难的或不可行的; 示例应用程序包括电子邮件过滤，网络入侵者检测和计算机视觉。
机器学习与计算统计密切相关（并且经常重叠），计算统计还侧重于通过使用计算机进行预测。 它与数学优化有很强的联系，可以为现场提供方法，理论和应用领域。 机器学习有时与数据挖掘相混淆，后者子领域更侧重于探索性数据分析，被称为无监督学习。
在数据分析领域，机器学习是一种用于设计复杂模型和算法的方法，可用于预测; 在商业用途中，这被称为预测分析。 这些分析模型使研究人员，数据科学家，工程师和分析师能够“通过从历史关系和数据趋势中学习”来“产生可靠，可重复的决策和结果”，并发现“隐藏的见解”。