Sep, 2023

高维肌骨模型中无示范的强化学习自然稳健步行

PDF
TL;DR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。
bipedal walkingmuscle dynamicsneuronal signalsmulti-objective controlreinforcement learning
发现论文，激发创造
  • 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

  • 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

  • 学习奔跑挑战：使用深度强化学习合成生理准确运动

    通过深度强化学习等优化方法，可以高效地探索大型和复杂的生物力学模型空间，进而实现合成可行的高维生物力学系统运动。

    Mar, 2018

  • 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

  • 深度强化学习下的行走学习

    本文提出了一种基于最大熵强化学习的样本有效的深度强化学习算法，用于学习独立于机器人动力学模型的实际机器人行走姿势，仅需要少量试验即可。实验结果表明，我们的方法可以帮助机器人在约两个小时内直接从零开始建立稳定步态，而不需要任何模型或仿真。同时，我们展现了本算法在单个较佳超参数上实现了最先进的性能，与环境中的适度变化相容。

    Dec, 2018

  • 强化学习和基于模型的控制结合：使用按需最优控制学习多功能四足动态步态

    本文提出了一种结合基于模型的最优控制与强化学习的动态、鲁棒的腿式 locomotion 的多功能控制方法；该方法成功地学习了控制策略，能够在模拟和硬件实验中生成不同的四足步态模式并保持稳定，并演示了该方法对于不太平的地形的适应性，无需过多的奖励设计或超参数调整。

    May, 2023

  • 针对人形机器人的计划脚步双足行走学习

    本研究基于深度强化学习控制器的支持下，通过学习遵循给定步长序列的原则，利用程序生成的步长方案实现了全向行走、原地转弯、站立和爬楼梯等多项功能，同时具备适应性强、无需预训练权重、不依赖参考动作等特点，为改进人形机器人在现实环境中行走鲁棒性提供了新思路。

    Jul, 2022

  • 学习对称和低能量行走

    该论文提出了一种新颖的基于深度强化学习（DRL）方法来训练机器人的步态控制算法，并引入了一种新的课程学习方法来提供适当的物理辅助，帮助机器人保持平衡和前进。

    Jan, 2018

  • 在公园散步：学习无模型强化学习在 20 分钟内行走

    研究展示了在现实世界中通过深度强化学习和机器学习算法，结合先进的机器人控制器，可以在仅 20 分钟内在多个室内和户外地形上学习四足动物的步态，以及对于设计决策的模拟环境评估。

    Aug, 2022

  • 四足机器人数据有效强化学习

    本文提出了一种基于模型的机器人运动框架，在只采集 4.5 分钟（45,000 个控制步骤）的四足机器人数据的基础上实现了步行，通过引入跟踪多个时间步长上的模型预测的损失函数来准确地建模机器人的动力学，使学习到的模型可以进行实时控制，此方法比当前的无模型方法在样本效率上提高了一个数量级以上。

    Jul, 2019