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

文章介绍了一种叫D-Reflex的方法，通过学习神经网络选择与墙接触的位置，用于机器人姿势的稳定控制，可以避免超过75%的可避免摔倒，适用于1.75米、100公斤，30自由度的TALOS机器人。

Mar, 2022

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

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

本文研究了深度强化学习在机器人学中的应用，通过模拟训练，在低成本仿真机器人上实现了动态环境下复杂足球比赛中从走路到踢球等一系列动作表现出稳定流畅的运动技能，并取得了不错的效果。

Apr, 2023

人类以稳健的双足步行在复杂的自然环境中表现出色。然而，尚不完全了解神经系统如何解决肌骨冗余以解决多目标控制问题，考虑稳定性、鲁棒性和能量效率。本研究探索使用强化学习实现自然步行，并保持其鲁棒性，为研究人类在复杂自然环境中步行的新方法铺平道路。

Sep, 2023

通过逆强化学习(IRL)技术解决复杂地形上的双足机器人行走问题，并提出用于学习专家奖励函数的算法，通过非线性函数逼近揭示专家的运动策略，同时通过训练推断奖励函数，提高双足机器人在未知地形上的行走性能。

Sep, 2023

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

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