Jun, 2023

强壮的四足机器人神经动力学的群体层面分析

PDF
TL;DR利用计算神经科学分析机器人运动控制的人口群体行为，研究表明在强迫状态和拓扑结构之下，循环状态动力学的结构化和低维的特点与类人研究吻合，振荡系统在可控的神经扰动下，更强地依赖感官输入。
recurrent neural networkrobot locomotioncomputational neurosciencemotor controlsystem dynamics
发现论文，激发创造
  • 从数据拟合到探索：通过强化学习解读运动控制的神经动力学

    通过研究虚拟机器人在进行腿部运动时的结构化神经活动，我们发现机器人训练后的神经轨迹比输入驱动的激励层的神经轨迹更为复杂，这一核心原则对于计算神经科学具有重要意义。

    May, 2023

  • 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

  • 重新思考鲁棒性评估：基于学习的四足动力学控制器的对抗攻击

    通过串行对抗攻击来识别学习行动控制器的弱点，验证了即使是最先进的鲁棒控制器也可能在设计良好、低幅度的对抗序列下显著失败，并展示了该方法生成的结果如何用于加强原始策略并深入了解这些黑盒策略的安全性。

    May, 2024

  • 基于神经启发的层次强化学习在运动控制中的应用

    通过仿效哺乳动物中央运动系统机制，我们提出了一种神经启发的分层强化学习算法，使得机器人能够学习丰富的运动技能并将其应用于复杂的任务环境中，而不依赖外部数据。

    Nov, 2023

  • 探索深度和循环结构用于最优控制

    本文研究了多层神经网络在控制方面的应用，特别是在连续高维动作任务中，通过强化学习训练后实现了控制策略，结果表明可以成功训练具有成千上万个参数的神经网络控制器，并比较了各种不同结构。文章讨论了这一问题与以往有监督知觉任务的区别，呈现了实验结果，并讨论了将深度学习技术应用于控制问题优化的未来方向。

    Nov, 2013

  • 识别学习运动技能的重要感觉反馈

    使用深度强化学习，通过神经网络作为状态 - 动作映射，通过量化分析系统显著性分析来确定机器人学习的关键状态以实现迈步技能学习，其中包括平衡恢复，慢跑，奔跑，步态和奔跑。

    Jun, 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

  • 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

  • 高维肌骨模型中无示范的强化学习自然稳健步行

    人类以稳健的双足步行在复杂的自然环境中表现出色。然而，尚不完全了解神经系统如何解决肌骨冗余以解决多目标控制问题，考虑稳定性、鲁棒性和能量效率。本研究探索使用强化学习实现自然步行，并保持其鲁棒性，为研究人类在复杂自然环境中步行的新方法铺平道路。

    Sep, 2023

  • 不仅有奖励还有约束：应用于四肢机器人的运动

    通过提出一种新颖的深度强化学习框架，我们展示了可用于训练复杂机器人系统的神经网络控制器，该框架通过引入约束条件减少了奖励工程的工作量，并实现了较高的任务绩效。

    Aug, 2023