自主机器人在未知环境中可靠导航,即使在外部感知出现故障时,或者感知算法由于有限泛化能力而对场景进行错误解释时也是如此。本文将感知故障建模为不可见的障碍物和坑洞,并训练了基于强化学习的本地导航策略来引导四足机器人,在受损感知的情况下对感知故障进行端到端的环境重建和响应。
Oct, 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
使用稀疏的视觉观察来实现知觉运动,并提出一种学习框架以有效地学习反馈控制策略,可在人类中心的环境中在道路上行驶,越过不同的障碍,包括台阶、斜坡、间隙和楼梯。
Sep, 2021
本文介绍了一个名为 PRELUDE 的层级学习框架,其中包括高层决策和低层步态生成。在该框架中,高层导航控制器用人类演示进行了模仿学习,而低层步态控制器则使用强化学习获得多样化的步态。该方法在仿真和硬件实验中表现出色。
Sep, 2022
利用视觉和本体感底层控制策略开发了一种针对四足机器人的点目标导航系统(VP-Nav),使用本体感反馈确保计划路径的安全性来实现对机械的信息感知。通过使用内置摄像头生成占有空间图和相应的代价图,以到达目标,在速度指令生成器中设置安全顾问模块来对意外障碍进行感知和环境决定的速度限制。
Dec, 2021
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
在这项工作中,我们提出了一个新颖的四肢导航框架 TOP-Nav,它将全面路径规划器与地形感知、避障和闭环本体感知整合在一起,突出了视觉和本体感知在路径和动作规划中的协同作用。通过在路径规划器中引入地形估计,我们使机器人能够在更易通过的地形上选择航点,同时有效避开障碍物。在动作规划水平上,我们不仅实现了一种运动控制器来跟踪导航命令,还构建了一个本体感知顾问,为路径规划器提供动作评估。基于闭环运动反馈,我们对基于视觉的地形和障碍物估计进行在线校正。因此,TOP-Nav 在开放世界导航中实现了机器人能够处理先前知识分布范围之外的地形或干扰,并克服了视觉条件造成的约束。通过在模拟和真实环境中进行广泛实验,TOP-Nav 在开放世界导航中展现出了优于现有方法的性能。
Apr, 2024
我们提出了一种使用基于 Transformer 的模型从配 proprioceptive 信息和高维度深度传感器输入中学习的强化学习(RL)来解决四足动物行走任务的方法。
Jul, 2021
该研究提出了一个从感知中学习语义导向运动技能的框架,以使四足机器人可以穿越复杂的越野地形在感知信息的帮助下以适当的速度和步态进行行走。
Jun, 2022
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