基于强化学习的高度数据驱动方法用于视觉全身人形控制,通过层级世界模型生成指令以执行,实现了在模拟 56 自由度人形机器人的 8 个任务上高性能控制策略的合成。
May, 2024
用分层生成模型实现人类灵感的机器人运动控制与自主完成目标驱动任务。
Aug, 2023
本研究使用多智能体协同学习模型,在模拟环境中训练了一组虚拟的足球运动员,研究并展示了在不同时间尺度上,采用不同层次抽象的行为表征下,机器人团队的协作行为出现的现象与优势。
May, 2021
研究对象学习通用设置,构建代理可从第三人称的视频中学习并操作未见过的物体,通过分层式结构实现,高级模块生成子目标序列,低级控制器实施,无需完整状态信息,实验展示在 Baxter 机器人上完成倒和放置物体等操作。
Nov, 2019
通过仿效哺乳动物中央运动系统机制,我们提出了一种神经启发的分层强化学习算法,使得机器人能够学习丰富的运动技能并将其应用于复杂的任务环境中,而不依赖外部数据。
Nov, 2023
本文介绍一种利用层次化框架实现四足机器人路径跟踪任务的方法,其中高层策略以潜在空间向低层策略发出指令,并控制其执行的时间,低层策略使用潜在指令和机器人传感器来控制机器人的执行器,以完成任务需求,同时可以实现训练后的低层策略的高效迁移,为实现端到端的层次化深度学习提供了理论支持。
May, 2019
利用神经概率运动原始系统可以离线训练解决灵活控制高维度物理仿真人形机器人的问题,同时最大限度地压缩数千个专家策略并学习运动原始嵌入空间。
Nov, 2018
通过使用模拟训练和自我影子技术,本文介绍了一个全栈系统,使得机器人能够通过人类数据学习运动和自主技能。
Jun, 2024
研究了使用装备有机械臂的四足机器人进行移动操纵的问题,提出了一种整体控制的框架,包括以视觉观测为基础的低层次控制策略和基于视觉输入的高层次策略,通过在仿真中训练并进行真实机器人部署的 Sim2Real 转换,取得了在不同配置(高度、位置、方向)和环境中拾取多样物体方面显著的改进。
Mar, 2024
我们提出了一种通用的运动表示方法,该方法涵盖了针对基于物理的人形控制的全面的运动技能范围。
Oct, 2023