Mar, 2023

浮力辅助腿式机器人的残差物理学习和系统识别用于机器人政策的模拟与现实转移

PDF
TL;DR该论文研究了通过系统识别和一种新的残余物理学习方法 —— 环境模仿，实现对 Buoyancy Assisted Lightweight Legged Unit (BALLU) 机器人控制策略的鲁棒性模拟到实际环境的迁移，以及最终在硬件上成功地实现行走和转向策略。
发现论文，激发创造
  • 双足行走的模拟到现实转移

    本文提出了一种新的方法将动态机器人控制策略（例如双足步态）从仿真传输到实际机器人硬件中，并使用预 - 系统辨识和后 - 系统辨识的两个阶段进行系统辩识，其中采用了基于贝叶斯优化的投影通用策略作为主体来控制机器人。

    Mar, 2019

  • Sim-to-Real: 四足机器人学习敏捷运动

    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

  • 深度全身控制：学习一体化的操作和运动策略

    提出使用增强学习学习整体控制策略来实现对四肢机器人的控制，以解决四肢协调和模块间错误传播的问题，该统一策略可在多种任务设置中展示动态和敏捷行为。

    Oct, 2022

  • 学习四肢机器人灵活动态技能

    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

  • DrEureka: 语言模型引导的模拟到现实转移

    使用大规模语言模型（LLMs）自动构建适合真实世界转化的奖励函数和域随机化分布的 DrEureka 方法可用于解决四足动作和灵巧操纵等机器人任务，且无需迭代式手动设计。

    Jun, 2024

  • 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

  • 野外 AMP：学习强健、敏捷、自然的腿部运动技能

    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

  • 面向水下无人机在水流干扰下的自适应控制参数的虚实转换

    利用学习驱动的自适应控制方法，结合基于模型的控制架构以及最大熵深度强化学习框架，提出了一种适应控制器的创新方法，通过生物启发的经验回放机制、增强的领域随机化技术和在物理平台上的评估协议来实现仿真到真实的迁移策略，实验证明该方法能够从 AUV 的次优仿真模型中学到有效的策略，并在实际环境中将控制性能提高 3 倍。

    Oct, 2023

  • 学习粒子动力学，用于操作刚体、可变形物体和流体

    本文提出了一种基于粒子的学习模拟器来解决复杂控制问题，同时在模拟跨物质的复杂场景方面具有很好的表现，使得机器人能够完成复杂的操控任务，如操纵流体和可形变泡沫，利用在仿真及现实中的实验结果显示了该方法的可行性。

    Oct, 2018

  • 非抓取性操作的强化学习：从仿真到物理系统的转移

    本研究使用一种修改自然策略梯度算法的模型，通过模拟学习并训练，成功将自主控制策略从虚拟系统转移到由三个机器人组成的物理系统中，并证明使用多个模型训练可以使学习到的策略更加稳健，从而弥补了系统识别的困难。

    Mar, 2018