Feb, 2023

通过多任务强化学习实现稳健和多功能的双足跳跃控制

PDF
TL;DR本文介绍了一种多任务强化学习框架，以训练扭矩控制双足机器人在现实世界中执行各种跳跃任务，通过不同的训练阶段和多样化的情境探索，最终实现了高鲁棒性的多任务策略，并为 Cassie 双足机器人在现实世界中完成各种具有挑战性的跳跃任务提供了支持。
发现论文，激发创造
  • 多功能、动态和鲁棒的双足步行运动控制的强化学习

    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

  • 使用学习动作残差的连续多功能跳跃

    提出了一种基于优化控制和强化学习相结合的分层框架，实现了四足机器人连续跳跃运动的控制，通过在模拟环境中的训练，该方法可以直接应用到真实机器人中，实现多方向、连续性跳跃。

    Apr, 2023

  • 基于强化学习的敏捷多功能双足机器人跟踪控制

    基于模型基础的逆运动学求解器和强化学习，本文提出一种适用于双足机器人的多功能控制器，通过单一小型神经网络实现了踝关节和身体轨迹跟踪，能够在广泛的步态范围内完成这一任务。通过最小控制单元结合高级策略，可以实现高度灵活的步态控制，训练后的机器人能够自由地在不同距离和高度的目标支撑点之间移动，并且能够在维持静态平衡时调整姿势。实验结果证明了我们控制框架的有效性。

    Apr, 2024

  • 基于扭矩的变高跳跃端到端强化学习

    通过模拟到现实训练的方式，本研究提出了一种基于强化学习的力矩控制器，能够学习隐式检测相关跳跃阶段，并成功在机器人上进行实际部署。

    Jul, 2023

  • 通过经验转移学习和适应敏捷运动技能

    这篇论文研究了如何用增强学习算法训练四肢机器人在复杂环境中实现高速奔跑、跳跃、走路到目的地等多种复杂技能，并且通过从已有的控制器中借鉴经验，解决了机器人探索新环境时的困难，实现了四肢机器人在现实环境中优雅且安全的部署。

    Apr, 2023

  • 使用强化学习和生成式预训练模型实现四足机器人的逼真敏捷和游戏

    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

  • 高效的跳跃式单脚支架强化学习

    该论文提出了一种利用强化学习框架中注入物理知识来引导学习过程的解决方案，旨在解决一类复杂控制问题，例如单脚架在任意方向上跳到目标位置的问题，以及在不平坦的地形上的运动，表明该方法相对于基于优化和端到端强化学习方法具有明显优势。

    Sep, 2023

  • 最小人力学习在现实世界中行走

    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

  • 四足行走安全强化学习

    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

  • 阻抗匹配：实现四足机器人基于 RL 的跳跃

    通过频域分析为基础的阻抗匹配，我们提出了一个新的框架来缩小仿真和真实机器人之间的差距，从而在动态足部运动中实现仿生动作。

    Apr, 2024