本研究提出了一种基于模仿学习的系统,使机器人可以通过模仿真实世界的动物学习敏捷的运动技能,并演示了该系统的有效性。
Apr, 2020
这篇论文研究了如何用增强学习算法训练四肢机器人在复杂环境中实现高速奔跑、跳跃、走路到目的地等多种复杂技能,并且通过从已有的控制器中借鉴经验,解决了机器人探索新环境时的困难,实现了四肢机器人在现实环境中优雅且安全的部署。
Apr, 2023
该论文提出了一种基于强化学习的实际机器人强化学习系统,通过在现实世界中微调机器人运动策略的少量训练,实现了 A1 四足机器人在多种环境中自主微调多种运动技能的能力。
Oct, 2021
使用深度强化学习中的多任务学习技术和安全控制框架在实际机器人系统中实现了自动学习四条腿机器人在三种不同地形上的步态。
Feb, 2020
本研究基于神经网络的方法实现对四足动物的运动控制,采用自主提供的本体感觉信息,具有很强的普适性和鲁棒性,在模拟和自然环境中都有良好的表现,并在本次试验中优于以往的四足动物机器人,对未来的机器人研究具有大量的实践价值。
Oct, 2020
通过使用动物和人类的知识来激发机器人创新,我们提出了一个框架,使四肢机器人能够在复杂环境中具备像真实动物一样的灵活性和策略。通过利用先进的深度生成模型产生模拟动物行为的运动控制信号,我们的方法通过预训练感知动物运动的生成模型,将原始知识保留并重复利用于环境适应性学习阶段,最终在复杂的下游任务中通过任务特定控制器解决任务,从而推动了机器人控制的前沿。
Aug, 2023
本文提出了一种利用深度强化学习技术自动化四足机器人运动设计过程的系统,能够从简单的奖励信号中学习四足运动,并可提供开环参考进行学习过程的控制,采用系统辨识来改进物理模拟器,利用物理环境随机与扰动设计控制器,并在物理模拟器中进行评估,成功在现实世界中部署。
Apr, 2018
通过提出一种新颖的深度强化学习框架,我们展示了可用于训练复杂机器人系统的神经网络控制器,该框架通过引入约束条件减少了奖励工程的工作量,并实现了较高的任务绩效。
本文提出了一种安全的强化学习框架,用于设计控制策略,以确保腿部运动的安全,同时利用无模型的强化学习进行学习任务。在此框架基础上,本文进行了四项步态运动实验,并实现了显著的提升,包括节能、稳定性和动作变化。
Mar, 2022
使用深度强化学习(RL)创建动态双足机器人的运动控制器的综合研究,包括开发可用于周期性行走、跑步、跳跃和站立等一系列动态双足技能的通用控制解决方案,该 RL 控制器采用新颖的双重历史架构,通过长期和短期的输入 / 输出(I/O)历史数据有效训练,并在模拟和实际世界的各种技能中始终表现优秀。
Jan, 2024