Mar, 2022

首先不要摔倒：学习如何利用一堵墙和一个损坏的机器人

PDF
TL;DR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。
humanoid robotsd-reflexwhole-body controllerposturefall avoidance
发现论文，激发创造
  • 双足步态中的摔倒预防与安全学习控制策略

    本论文提出了使用深度强化学习技术为双足机器人和协助机器人开发抗跌倒控制策略，涵盖了关键词：双足动物运动，机器人技术，跌倒预防，深度强化学习和控制策略。

    Jan, 2022

  • 带拓扑流形学习的全身反应避障技术，实现无碰撞人机交互

    通过整体障碍物避难方法结合拓扑流形学习和深度学习的方法，实现了协同机器人在动态约束环境下保障人机冲突自动化避免的方法。

    Mar, 2022

  • 通过深度度量学习提高物理人机协作的安全性

    指导机器人与人类协同工作的更高级解决方案是必要的。由于实际合作需要进行物理接触，因此使用机器学习算法和机器人自我感知进行接触检测是实现此目的的关键挑战。这项工作利用深度度量学习来区分接触和非接触的机器人运动，并取得了非常有希望的结果，证明 DML 可以实现更精确的分类并具有良好的泛化能力。

    Feb, 2023

  • 最小人力学习在现实世界中行走

    使用深度强化学习中的多任务学习技术和安全控制框架在实际机器人系统中实现了自动学习四条腿机器人在三种不同地形上的步态。

    Feb, 2020

  • 深度强化学习在人类环境下机器人操作的可证明安全性

    本文提出了一种保护机制，利用快速到达性分析保证机械臂控制在人群环境下的安全，并且证明该方法能够有效地提高强化学习的性能。

    May, 2022

  • HumanPlus: 人形机器人的人体投射与模仿

    通过使用模拟训练和自我影子技术，本文介绍了一个全栈系统，使得机器人能够通过人类数据学习运动和自主技能。

    Jun, 2024

  • 极限公园 our 与机器人

    该研究报告表明，使用一个低成本机器人具备不精确的驱动和单一前置深度摄像头来感知低频、抖动、容易产生伪影的情况下，采用一个单一的神经网络算法模型通过在模拟环境进行大规模强化学习训练，可以实现端到端的高精准控制行为，从而使机器人能够以超过自身尺寸两倍的高度跳跃障碍物、跨越两倍长度的缝隙、做手倒立和奔跑在倾斜的坡道上，并具有在具有不同物理特性的新颖障碍课程中的泛化能力。

    Sep, 2023

  • 针对人形机器人的计划脚步双足行走学习

    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

  • 用腿作为机械臂：推进四足动物的敏捷性超越运动

    该论文讨论了如何通过在模拟中训练四足机器人学习步行和使用前腿攀爬墙壁、按按钮、与物品交互等技能，并通过行为树将这些技能结合起来执行任务，并使用分阶段的课程和 sim2real 变体在现实世界中应用这些技能。

    Mar, 2023

  • 一个适用于接触丰富机器人操作的安全接触强化学习框架

    本文提出一种安全的强化学习框架，用于处理复杂的接触丰富的机器人操作任务，能够在任务空间和关节空间中保持安全，同时使机械臂与环境发生的接触力保持较小。该框架采用模拟训练，成功地在实际机器人上验证了其性能。

    Jul, 2022