Mar, 2020

通过进化元学习快速适应的腿式机器人

PDF
TL;DR本文提出了一种适用于机器人的新的元学习方法，结合了基于演化策略的元学习和更具噪声容忍度的 Batch Hill-Climbing 适应算子，显著提高了机器人在高噪声环境下的动态变化适应能力。在测试时，我们的方法比基于梯度的方法性能更好，使机器人能够在不到 3 分钟的实际数据基础上适应变化。
meta-learningroboticspolicy adaptationdynamicsevolutionary strategies
发现论文，激发创造
  • 基于元强化学习的腿式机器人最优设计

    本文提出了一种基于模型无关元强化学习的设计优化框架，以及其应用于四足机器人运动学和执行器参数优化的方法，结果表明我们的元策略能够控制不同设计的机器人在多种复杂路况下实现随机速度命令的跟踪，而且相比于基于模型的基准线方法，我们的方法不受预定义动作或步态模式的约束，能够提供更高的性能。

    Oct, 2022

  • 元策略优化学习快速适应

    该研究使用元学习算法，利用潜在变量输入训练策略，实现快速适应新场景的机器人大腿行走能力，并在真实和模拟实验中证明了该方法在适应新任务方面优于之前的方法。

    Sep, 2019

  • 元强化学习在动态现实环境中的自适应学习

    本研究旨在提出一种模型基础的强化学习元学习方法，以在明显减少样本数量的情况下实现机器人在线适应新任务，并证明该方法在模拟和实际机器人中的有效性。

    Mar, 2018

  • 学习四肢机器人灵活动态技能

    通过在仿真中训练神经网络策略并将其转移到现实的四足动态平衡系统，研究创造了一种快速、自动且高效的数据生成方案，从而实现了在四足机器人技能方面的进一步提升。

    Jan, 2019

  • 通过经验转移学习和适应敏捷运动技能

    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

  • 为实现稳健高效的腿式运动而学习接触自适应控制器

    本研究提出了一个层次框架，将基于模型的控制和强化学习相结合，为四足动物（Unitree Laikago）合成鲁棒控制器。通过学习选择一套原语响应环境中的变化，使其适应复杂的环境变化，并具有更高的能源效率和更强的鲁棒性。

    Sep, 2020

  • 野外 AMP：学习强健、敏捷、自然的腿部运动技能

    本文提出了一种新的算法，可以推断关于动态系统参数的信息，同时从先前的观察中估计有关机器人状态的重要信息，并将其与 Adversarial Motion Priors 结合，实现了机器人在真实世界中稳定、灵活和自然的步态，从实验结果中发现相对于基线算法，我们提出的算法能够以更低的功耗遍历具有挑战性的地形。

    Apr, 2023

  • 机器人快速在线适应通过模拟先验元学习嵌入

    提出了一种名为 FAMLE 的元学习算法，通过元训练多个起始点来适应不同的机器人动力学，从而在少量数据点的情况下，使机器人能够选择最适合的起始点以适应当前的情况。在模拟和真实的机器人任务中，FAMLE 相对于基线算法可以更快适应新的损伤。

    Mar, 2020

  • 为双足机器人适应快速运动适应性

    本文讨论如何利用快速适应的方法来控制走路姿态，并提出了 A-RMA（Adapting RMA）算法，它不仅可以适用于完美的外部估计器，还可以用于不完美的情况。实验表明，A-RMA 在仿真实验和现实世界中的表现均优于多种基准控制器。

    May, 2022

  • 自适应四足动物运动的多专家学习

    本研究提出了一种多专家学习架构 (MELA)，该架构能够利用神经网络来生成适应性技能，并通过传递神经网络的学习，获得更多的特殊和过渡性技能，以产生适应性行为。该方法利用专家技能和快速的在线综合适应性策略的优势，在改变任务的情况下生成响应性的机器人运动技能。

    Dec, 2020