该研究报告表明,使用一个低成本机器人具备不精确的驱动和单一前置深度摄像头来感知低频、抖动、容易产生伪影的情况下,采用一个单一的神经网络算法模型通过在模拟环境进行大规模强化学习训练,可以实现端到端的高精准控制行为,从而使机器人能够以超过自身尺寸两倍的高度跳跃障碍物、跨越两倍长度的缝隙、做手倒立和奔跑在倾斜的坡道上,并具有在具有不同物理特性的新颖障碍课程中的泛化能力。
Sep, 2023
本研究提出了一种基于模仿学习的系统,使机器人可以通过模仿真实世界的动物学习敏捷的运动技能,并演示了该系统的有效性。
Apr, 2020
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
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
我们引入了 Barkour 基准测试,用于衡量机器人的敏捷性,并通过基于策略的强化学习方法和 Transformer 模型训练,演示了这个基准测试的应用,希望能够为实现动物级别的敏捷性控制器迈出实质性一步。
May, 2023
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
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
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
将从追逐 - 逃避互动中学习战略性机器人行为这一实际约束下的问题转化为一个监督学习问题,其中完全可观测的机器人策略为部分可观测的机器人策略生成监督信号,并发现这个监督信号的质量依赖于两个关键因素:逃避者行为的多样性与最优性的平衡以及完全可观测策略中的建模假设的强度。在野外的追逐 - 逃避互动中,我们部署了这个策略在一台带有 RGB-D 相机的四足机器人上,尽管面临各种挑战,感知限制激发了创造力:机器人在不确定时努力收集信息,从嘈杂的测量中预测意图,并为了拦截而提前预判。
Aug, 2023
本论文提出一种基于无标注训练数据的方法,结合深度动作条件视频预测模型和模型预测控制,使真实机器人能够进行非抓取操作,比如推动物体,并且可以处理训练过程中没有出现过的新物体。
Oct, 2016