四足机器人的敏捷机动:一种预测控制方法
这篇论文研究了如何用增强学习算法训练四肢机器人在复杂环境中实现高速奔跑、跳跃、走路到目的地等多种复杂技能,并且通过从已有的控制器中借鉴经验,解决了机器人探索新环境时的困难,实现了四肢机器人在现实环境中优雅且安全的部署。
Apr, 2023
本文研究了基于模型预测控制和强化学习控制器相结合的四足机器人稳定步态生成问题,并开发了一种融合了这两种方法的混合控制方法,其中采用一个以神经网络建模的 Q 函数形式的尾部成本算法来降低计算复杂度,并证明了我们的控制器在短时间内能够实现稳定步态,具有实时操作的能力。
Jul, 2023
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
提出使用增强学习学习整体控制策略来实现对四肢机器人的控制,以解决四肢协调和模块间错误传播的问题,该统一策略可在多种任务设置中展示动态和敏捷行为。
Oct, 2022
本研究提出了一个层次框架,将基于模型的控制和强化学习相结合,为四足动物(Unitree Laikago)合成鲁棒控制器。通过学习选择一套原语响应环境中的变化,使其适应复杂的环境变化,并具有更高的能源效率和更强的鲁棒性。
Sep, 2020
研究了使用装备有机械臂的四足机器人进行移动操纵的问题,提出了一种整体控制的框架,包括以视觉观测为基础的低层次控制策略和基于视觉输入的高层次策略,通过在仿真中训练并进行真实机器人部署的 Sim2Real 转换,取得了在不同配置(高度、位置、方向)和环境中拾取多样物体方面显著的改进。
Mar, 2024
本文提出了一种新的算法,可以推断关于动态系统参数的信息,同时从先前的观察中估计有关机器人状态的重要信息,并将其与 Adversarial Motion Priors 结合,实现了机器人在真实世界中稳定、灵活和自然的步态,从实验结果中发现相对于基线算法,我们提出的算法能够以更低的功耗遍历具有挑战性的地形。
Apr, 2023
本文演示了一种基于自适应模型预测控制框架的控制算法,用于引导具有未知惯性的两轮移动机器人以一定方向到达目标点,其中使用了递归最小二乘算法更新了一组标称参数。
Jan, 2022
本文提出了一种结合基于模型的最优控制与强化学习的动态、鲁棒的腿式 locomotion 的多功能控制方法;该方法成功地学习了控制策略,能够在模拟和硬件实验中生成不同的四足步态模式并保持稳定,并演示了该方法对于不太平的地形的适应性,无需过多的奖励设计或超参数调整。
May, 2023