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
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
使用本文介绍的基于外部关节力矩和接触力矩的学习方法，通过使用本体感知传感器（编码器和惯性测量单元）实现浮动基座机器人的稳定行走，并证明该方法较传统基于模型的方法具有更小的误差。
Sep, 2023
该论文介绍了一种新颖的基于感觉自身位置的机器人状态估计器，该估计器结合了基于模型的滤波器和深度神经网络。通过整合神经测量网络(NMN)和不变扩展卡尔曼滤波器，论文展示了该状态估计框架在各种地形中的性能改进。
Feb, 2024
为了加快人形机器人算法研究的进展，我们提出了一个基于高维度的模拟机器人学习基准，名为HumanoidBench，该基准以配备熟练双手和各种具有挑战性的全身操作和运动任务的人形机器人为特色。我们的研究发现，当配备稳健的低级策略（如行走或伸手）时，最先进的强化学习算法在大多数任务中表现不佳，而分层学习基准则实现了优越的性能。通过HumanoidBench，我们为机器人学界提供了一个平台，用于解决人形机器人在解决各种任务时所面临的挑战，促进算法和思想的快速验证。开源代码可在此网址获得：https://url
Mar, 2024
本文介绍了一种通过有约束的强化学习算法实现对双足机器人进行基于物理的高质量动作模仿的框架，强调将视觉和物理现实性相结合对于成功实现动作模仿的重要性。
May, 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
本研究解决了现有类人机器人在复杂地形上的运动控制能力不足的问题。通过提出去噪世界模型学习（DWL）这一端到端强化学习框架，首次实现类人机器人在雪地、倾斜地面及极度不平坦的地形上自动行走。此方法展现出优越的鲁棒性和推广能力，支持零-shot的模拟到现实迁移。
Aug, 2024
该研究解决了传统平滑技术在机器人平台上需要繁琐手动调优的问题。提出了一种简单有效的方法，采用Lipschitz约束于学习政策，形成“Lipschitz约束政策”（LCP），能够在训练框架中有效地保证平滑行为。实验表明，LCP能够替代平滑奖励和低通滤波器，实现平稳而稳健的人形机器人运动控制。
Oct, 2024
本研究解决了平滑假肢机器人运动控制中存在的手动调节超参数繁琐的问题。作者提出了一种新颖的方法，通过引入Lipschitz约束来定义政策，从而不再依赖传统的平滑技术，实现了有效的自动化训练。研究结果表明，该方法能够为多种类人机器人生成平稳且强健的运动控制器，具有广泛的应用前景。