本文提出了一种层次化的框架,利用深度强化学习使四足机器人能够在现实世界中执行精确的射击技能,包括鲁棒的运动控制策略和运动规划策略,应用于 A1 四足机器人中,实现了将足球精确射向目标的目的。
Aug, 2022
本文研究了深度强化学习在机器人学中的应用,通过模拟训练,在低成本仿真机器人上实现了动态环境下复杂足球比赛中从走路到踢球等一系列动作表现出稳定流畅的运动技能,并取得了不错的效果。
Apr, 2023
通过使用动物和人类的知识来激发机器人创新,我们提出了一个框架,使四肢机器人能够在复杂环境中具备像真实动物一样的灵活性和策略。通过利用先进的深度生成模型产生模拟动物行为的运动控制信号,我们的方法通过预训练感知动物运动的生成模型,将原始知识保留并重复利用于环境适应性学习阶段,最终在复杂的下游任务中通过任务特定控制器解决任务,从而推动了机器人控制的前沿。
Aug, 2023
通过在仿真中训练神经网络策略并将其转移到现实的四足动态平衡系统,研究创造了一种快速、自动且高效的数据生成方案,从而实现了在四足机器人技能方面的进一步提升。
Jan, 2019
我们运用多智能体深度强化学习(RL)通过自我中心的 RGB 视觉训练端到端的机器人足球策略,解决了现实世界机器人领域中的许多挑战,包括主动感知、灵活的全身控制和长时间跨度的计划等。该论文是首次展示了通过将原始像素观测映射到关节级动作的端到端多智能体机器人足球的训练,并能够在真实世界中部署。
May, 2024
本文提出了一种利用深度强化学习技术自动化四足机器人运动设计过程的系统,能够从简单的奖励信号中学习四足运动,并可提供开环参考进行学习过程的控制,采用系统辨识来改进物理模拟器,利用物理环境随机与扰动设计控制器,并在物理模拟器中进行评估,成功在现实世界中部署。
Apr, 2018
使用深度强化学习(RL)创建动态双足机器人的运动控制器的综合研究,包括开发可用于周期性行走、跑步、跳跃和站立等一系列动态双足技能的通用控制解决方案,该 RL 控制器采用新颖的双重历史架构,通过长期和短期的输入 / 输出(I/O)历史数据有效训练,并在模拟和实际世界的各种技能中始终表现优秀。
Jan, 2024
本文提出了一种新的神经网络政策训练技术,可用于在非平坦地形上的足式机器人的运动规划和控制。该方法结合了模型驱动的运动规划和强化学习的最新方法,并应用于一组包含挑战性地形场景的模拟测试中,证明了该方法的有效性。
Sep, 2019
本文介绍一种利用层次化框架实现四足机器人路径跟踪任务的方法,其中高层策略以潜在空间向低层策略发出指令,并控制其执行的时间,低层策略使用潜在指令和机器人传感器来控制机器人的执行器,以完成任务需求,同时可以实现训练后的低层策略的高效迁移,为实现端到端的层次化深度学习提供了理论支持。
May, 2019
本文提出了一种安全的强化学习框架,用于设计控制策略,以确保腿部运动的安全,同时利用无模型的强化学习进行学习任务。在此框架基础上,本文进行了四项步态运动实验,并实现了显著的提升,包括节能、稳定性和动作变化。
Mar, 2022