本文提出了一种针对四足机器人开发能源高效的控制器的问题的解决方法，即采用分层学习框架和进化策略来训练高级步态策略和低级凸优化 MPC 控制器，实现了机器人从行走到小跑再到飞奔等不同速度下自动切换步态，并表明在整个运动速度范围内该分层控制器的能量消耗都显著低于基准控制器。

Apr, 2021

本文提出了学习控制犬形四足机器人在各种步态下运动的框架，并通过强化学习算法解决了多任务学习的问题。使用四个独立的相位来描述步态发生器和控制策略之间的接口，使用该控制策略，黑豹四足机器人可以在自然环境下流畅、稳健地学习所有运动技能并遵循速度命令进行运动。

Jan, 2022

本文利用机器人的实验研究方法研究了四足机器人在不同地形下的学习最小化机械能消耗以实现不同速度下的自然运动步态。本文证实了这一假设和在仿真和现实硬件的自然地形中的验证，这种方法也能够实现非结构化的奔跑步态，与动物的运动控制研究相一致。

Oct, 2021

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

使用非常少的计算，无需模拟和用户输入的方法，实现了软体机器人的自动生成步态，性能优于手工制作的步态。

Sep, 2023

该论文介绍了一种学习的方法，能够在四足机器人运动中实现不同步态之间的连续混合，同时提供可解释的潜在表示，以实现对多种步态的实时混合。

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

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。

Nov, 2022

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