双足步态中的摔倒预防与安全学习控制策略
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
本研究基于深度强化学习控制器的支持下,通过学习遵循给定步长序列的原则,利用程序生成的步长方案实现了全向行走、原地转弯、站立和爬楼梯等多项功能,同时具备适应性强、无需预训练权重、不依赖参考动作等特点,为改进人形机器人在现实环境中行走鲁棒性提供了新思路。
Jul, 2022
基于模型基础的逆运动学求解器和强化学习,本文提出一种适用于双足机器人的多功能控制器,通过单一小型神经网络实现了踝关节和身体轨迹跟踪,能够在广泛的步态范围内完成这一任务。通过最小控制单元结合高级策略,可以实现高度灵活的步态控制,训练后的机器人能够自由地在不同距离和高度的目标支撑点之间移动,并且能够在维持静态平衡时调整姿势。实验结果证明了我们控制框架的有效性。
Apr, 2024
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
我们提出了一种无需力传感器训练的强化学习策略来实现直接力控制,展示了在四足机器人整体控制平台上通过变化的整体柔顺度实现的重力补偿和阻抗控制,使得人类通过操纵器件即可直观地远程操作机器人,从而实现多样化的运动与操纵任务,为四足机器人提供了学习整体力控制的首次实际部署,为更具多功能和适应性的四足机器人铺平了道路。
May, 2024
本文提出一个基于多领域控制参数学习框架、结合了贝叶斯优化和混合零动力学的步态控制方法,在模拟和实际机器人上进行了验证,实现了高效的从模拟到实际的过渡,提高了步行步态的平滑性和减少了稳态跟踪误差。
Mar, 2022
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
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