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
我们提出了一种无需力传感器训练的强化学习策略来实现直接力控制，展示了在四足机器人整体控制平台上通过变化的整体柔顺度实现的重力补偿和阻抗控制，使得人类通过操纵器件即可直观地远程操作机器人，从而实现多样化的运动与操纵任务，为四足机器人提供了学习整体力控制的首次实际部署，为更具多功能和适应性的四足机器人铺平了道路。
May, 2024
通过训练具有位置目标跟踪功能的强化学习策略，我们实现了利用四足机器人的腿进行操作的专用控制器，该控制器对干扰具有鲁棒性，在全身行为中具有大的工作空间，并且能够通过步态出现实现远距离目标达成，实现了步态操作。通过在四足机器人上使用遥操作部署我们的控制器，我们展示了开门、收集样品和推动障碍物等各种现实任务。我们还展示了在足上承载超过 2.0 千克的负载，此外，该控制器对足部的相互作用力、基座的干扰和滑动接触表面具有鲁棒性。
Feb, 2024
四足机器人在人类环境中的逐渐整合以及与实际场景中物体的互动通过将运动 - 操纵过程分解为低层次的强化学习和高层次的行为克隆，我们使得四足机器人能够仅使用其腿部完成现实世界的操纵任务，并通过模拟和实际实验验证了我们的方法。
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
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
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
该论文提出了一种基于强化学习的实际机器人强化学习系统，通过在现实世界中微调机器人运动策略的少量训练，实现了 A1 四足机器人在多种环境中自主微调多种运动技能的能力。
Oct, 2021
通过深度学习和强化学习相结合的方法，本文提出了一种学习策略来解决机器人的操纵任务，并展示了比先前方法更高的样本效率、对未见过任务的适应性以及在实际约束条件下复杂性设计和控制策略之间的权衡。
Nov, 2023
我们提出了一种能够在真实世界中让机器人产生丰富、多样和表现力强的动作的方法，通过在一个人型机器人上学习一个整体控制策略，尽可能地模仿人类的真实动作。通过在强化学习框架中利用图形社区的大规模人体动作捕捉数据来训练这种策略，但是直接使用动作捕捉数据集进行模仿学习可能无法适用于真实的人形机器人，因为在自由度和物理能力方面存在巨大差距。我们的方法（Exbody）通过鼓励上半身模仿参考动作，而放松对其两条腿的模仿约束，只要求它们能够稳定地跟随给定速度来解决这个问题。通过在模拟和实际场景中进行训练和仿真转移，我们的策略可以控制一个人形机器人以不同的风格行走，与人类握手，甚至与人类共舞。我们进行了广泛的研究和比较，展示了我们方法的有效性。