用于两栖机器人的对抗身体形态搜索
我们提出一种基于神经网络的图演化算法，在解决自动机器人设计中的组合问题和评估困难问题方面具有优越性能。与以往方法不同，我们使用图神经网络对控制策略进行参数化，同时运用包含模型不确定性的图突变技术，在探索与开发之间达到平衡，从而在单一机器上一天之内高效地解决搜索问题。
Jun, 2019
本文提出第一个针对软性机器人设计和控制的大规模benchmark Evolution Gym，提出了结合了最新设计优化方法和深度强化学习技术的机器人co-evolution algorithms。在benchmark上测试算法，观察到随着进化的进行，机器人表现出越来越复杂的行为和设计，其中最佳设计成功解决了许多任务，但所有经过测试的算法均未能找到在最难的环境中成功的机器人，这表明需要更高级的算法来探索高维度设计空间和进化越来越智能的机器人，期望Evolution Gym能加速该领域的进展。
Jan, 2022
该研究针对被深度强化学习训练的腿式机器人关节执行器的对抗攻击进行了探讨，发现对执行器扭矩控制信号的对抗扰动会显著降低机器人的奖励并导致行走不稳定。作者使用黑盒对抗攻击策略，采用三种搜索方法在OpenAI Gym的环境下对四足机器人Ant-v2和双足机器人Humanoid-v2进行实验，证明差分进化方法可以高效地找到最强的扭矩扰动，并发现四足机器人Ant-v2容易受到对抗攻击的影响，而双足机器人Humanoid-v2相对稳定。因此，这种关节攻击可用于机器人步态不稳定的主动诊断。
May, 2022
本文提出了一个深度学习框架来解决人形机器人步态中的腿部接触检测问题。该框架利用了本体感知，能够准确和稳健地估计每条腿的接触状态概率，并通过模拟得到的接触数据进行分类处理。该框架在模拟环境中通过对地面真实接触数据的使用进行了定量和定性评估，并对比了目前的先进方法。同时，它被证明在基本估计方面效果显著。
Jul, 2022
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
通过串行对抗攻击来识别学习行动控制器的弱点，验证了即使是最先进的鲁棒控制器也可能在设计良好、低幅度的对抗序列下显著失败，并展示了该方法生成的结果如何用于加强原始策略并深入了解这些黑盒策略的安全性。
May, 2024
通过深度强化学习和进化形态学，本研究探索了一种新型的过约束机器的设计与学习，旨在开发具有卓越能量效率的现代机器人四肢设计。研究结果显示，相较于平面四肢，在不同地形上，包括地板、斜坡和楼梯，过约束四肢的运动更加高效，至少可节省22%的机械能量，在平地上的平均速度是平面四肢的20%更快。
Jul, 2024
使用对抗模仿学习分析问题并提供解决方案，通过仅使用少量演示，在具有16个自由度和92个肌腱单元的模拟人型模型上学习行走和奔跑步态，实现了自然且类似人类的步态。
Jul, 2024