提出了一种基于优化控制和强化学习相结合的分层框架，实现了四足机器人连续跳跃运动的控制，通过在模拟环境中的训练，该方法可以直接应用到真实机器人中，实现多方向、连续性跳跃。
Apr, 2023
通过结合在线规划的预测能力和离线学习的内在稳健性，我们提出了一个混合控制架构，以同时实现更高的稳健性、脚步精确度和地形泛化。
Sep, 2023
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
本文介绍了一种用于四足机器人的端到端行动系统，结合了深度学习和增强学习技术，通过使用单个摄像头实现台阶、路障、石头和洞口的通过，能够快速在不同的地形上行动和适应各种推挤和摩擦，同时保持稳定。
Nov, 2022
使用无模型强化学习在仿真环境下训练的，基于镜像世界神经网络的四足机器人运动控制器具有极强的抗扰动性能和泛化能力，能够协调机器人的动作频率和运动速度，实现更加自然和合理的运动模式。
Jul, 2022
本文提出了一种新的神经网络政策训练技术，可用于在非平坦地形上的足式机器人的运动规划和控制。该方法结合了模型驱动的运动规划和强化学习的最新方法，并应用于一组包含挑战性地形场景的模拟测试中，证明了该方法的有效性。
Sep, 2019
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。
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
本文介绍了一种多任务强化学习框架，以训练扭矩控制双足机器人在现实世界中执行各种跳跃任务，通过不同的训练阶段和多样化的情境探索，最终实现了高鲁棒性的多任务策略，并为 Cassie 双足机器人在现实世界中完成各种具有挑战性的跳跃任务提供了支持。
Feb, 2023
通过频域分析为基础的阻抗匹配，我们提出了一个新的框架来缩小仿真和真实机器人之间的差距，从而在动态足部运动中实现仿生动作。
Apr, 2024