Nov, 2022

使用自我中心视觉在具有挑战性地形中进行腿式 locomotion

PDF
TL;DR本文介绍了一种用于四足机器人的端到端行动系统，结合了深度学习和增强学习技术，通过使用单个摄像头实现台阶、路障、石头和洞口的通过，能够快速在不同的地形上行动和适应各种推挤和摩擦，同时保持稳定。
locomotionroboticsquadruped roboticsdepth cameraterrain traversal
发现论文，激发创造
  • 学习四足动物在复杂地形上的步态

    本研究基于神经网络的方法实现对四足动物的运动控制，采用自主提供的本体感觉信息，具有很强的普适性和鲁棒性，在模拟和自然环境中都有良好的表现，并在本次试验中优于以往的四足动物机器人，对未来的机器人研究具有大量的实践价值。

    Oct, 2020

  • 用腿作为机械臂：推进四足动物的敏捷性超越运动

    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

  • 神经体积记忆用于视觉行动控制

    利用单目深度相机、神经体积记忆和几何先验知识，提出了一种新的方法来解决多种恶劣地形条件下的机器人步态规划问题。

    Apr, 2023

  • 机器人跑酷学习

    本文提出了一种以视觉为基础、具有多样化跑酷技能的单一端到端学习系统，使用简单奖励而无需参考动作数据，通过直接配合启发的强化学习方法生成并传输到四足机器人上，使其能够在复杂环境中自主选择并执行适当的跑酷技能。

    Sep, 2023

  • 快速学习四足动物在复杂地形上的敏捷奔跑

    使用无模型强化学习在仿真环境下训练的，基于镜像世界神经网络的四足机器人运动控制器具有极强的抗扰动性能和泛化能力，能够协调机器人的动作频率和运动速度，实现更加自然和合理的运动模式。

    Jul, 2022

  • 通过操纵学习行走：在动态环境中的感知四足动力学

    本文介绍了一个名为 PRELUDE 的层级学习框架，其中包括高层决策和低层步态生成。在该框架中，高层导航控制器用人类演示进行了模仿学习，而低层步态控制器则使用强化学习获得多样化的步态。该方法在仿真和硬件实验中表现出色。

    Sep, 2022

  • 四足动物运动的分层强化学习

    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

  • StairNet: 用于人机移动的楼梯视觉识别

    使用 StairNet 平台进行人机行走的研究，使用深度学习模型和数据集检测和识别楼梯，在有效模型精度和尺寸之间找到权衡，以提高复杂地面的行走效果。

    Oct, 2023

  • 极限公园 our 与机器人

    该研究报告表明，使用一个低成本机器人具备不精确的驱动和单一前置深度摄像头来感知低频、抖动、容易产生伪影的情况下，采用一个单一的神经网络算法模型通过在模拟环境进行大规模强化学习训练，可以实现端到端的高精准控制行为，从而使机器人能够以超过自身尺寸两倍的高度跳跃障碍物、跨越两倍长度的缝隙、做手倒立和奔跑在倾斜的坡道上，并具有在具有不同物理特性的新颖障碍课程中的泛化能力。

    Sep, 2023

  • 从人类演示中学习语义感知的运动技能

    该研究提出了一个从感知中学习语义导向运动技能的框架，以使四足机器人可以穿越复杂的越野地形在感知信息的帮助下以适当的速度和步态进行行走。

    Jun, 2022