Oct, 2021

通过最小化能耗，导致腿式机器人出现步态

PDF
TL;DR本文利用机器人的实验研究方法研究了四足机器人在不同地形下的学习最小化机械能消耗以实现不同速度下的自然运动步态。本文证实了这一假设和在仿真和现实硬件的自然地形中的验证，这种方法也能够实现非结构化的奔跑步态，与动物的运动控制研究相一致。
legged locomotionroboticsenergy efficiencyunstructured gaitsanimal motor control
发现论文，激发创造
  • 通过学习步态转换实现快速高效的运动

    本文提出了一种针对四足机器人开发能源高效的控制器的问题的解决方法，即采用分层学习框架和进化策略来训练高级步态策略和低级凸优化 MPC 控制器，实现了机器人从行走到小跑再到飞奔等不同速度下自动切换步态，并表明在整个运动速度范围内该分层控制器的能量消耗都显著低于基准控制器。

    Apr, 2021

  • 步態生成自動化方法用於行走的軟性機器四足

    使用非常少的计算，无需模拟和用户输入的方法，实现了软体机器人的自动生成步态，性能优于手工制作的步态。

    Sep, 2023

  • DeepTransition：可行性带来了预期四足动物运动技能的步态转换的出现

    通过深度强化学习和机器人技术，我们研究了四足机器人的步态转换，发现在平或崎岖地形，生存性是其主要的且普遍的考量因素，而其他因素则较次要.

    Jun, 2023

  • 通过相位引导控制器学习四足机器人的自由步态转换

    本文提出了学习控制犬形四足机器人在各种步态下运动的框架，并通过强化学习算法解决了多任务学习的问题。使用四个独立的相位来描述步态发生器和控制策略之间的接口，使用该控制策略，黑豹四足机器人可以在自然环境下流畅、稳健地学习所有运动技能并遵循速度命令进行运动。

    Jan, 2022

  • Sim-to-Real: 四足机器人学习敏捷运动

    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

  • 学习对称和低能量行走

    该论文提出了一种新颖的基于深度强化学习（DRL）方法来训练机器人的步态控制算法，并引入了一种新的课程学习方法来提供适当的物理辅助，帮助机器人保持平衡和前进。

    Jan, 2018

  • 学习四足动物在复杂地形上的步态

    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

  • 使用强化学习和生成式预训练模型实现四足机器人的逼真敏捷和游戏

    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

  • 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

  • 走这些路：通过多重行为调整机器人控制以实现泛化

    提出了一种结构化家族的行动策略来解决驱动训练任务和应对新任务，并发布了一个快速、稳健、开源的 MoB 行动控制器，“为 Walk These Ways”。

    Dec, 2022