高效的跳跃式单脚支架强化学习

Sep, 2023

Efficient Reinforcement Learning for Jumping Monopods

Riccardo Bussola, Michele Focchi, Andrea Del Prete, Daniele Fontanelli, Luigi Palopoli

TL;DR该论文提出了一种利用强化学习框架中注入物理知识来引导学习过程的解决方案，旨在解决一类复杂控制问题，例如单脚架在任意方向上跳到目标位置的问题，以及在不平坦的地形上的运动，表明该方法相对于基于优化和端到端强化学习方法具有明显优势。

Abstract

In this work, we consider the complex control problem of making a monopod reach a target with a jump. The monopod can jump in any directio

发现论文，激发创造

研究表明，在 “蹦床跳跃” 系统中使用柔性构件可以提高运行效率和速度，并且应用强化学习定义控制策略可以帮助学习匹配系统的机械参数，发现代理人学习到的设计方案在给定的设计空间内是最优的。

Dec, 2022

本文介绍了一种多任务强化学习框架，以训练扭矩控制双足机器人在现实世界中执行各种跳跃任务，通过不同的训练阶段和多样化的情境探索，最终实现了高鲁棒性的多任务策略，并为 Cassie 双足机器人在现实世界中完成各种具有挑战性的跳跃任务提供了支持。

Feb, 2023

通过模拟到现实训练的方式，本研究提出了一种基于强化学习的力矩控制器，能够学习隐式检测相关跳跃阶段，并成功在机器人上进行实际部署。

Jul, 2023

提出了一种基于优化控制和强化学习相结合的分层框架，实现了四足机器人连续跳跃运动的控制，通过在模拟环境中的训练，该方法可以直接应用到真实机器人中，实现多方向、连续性跳跃。

Apr, 2023

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

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

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

通过频域分析为基础的阻抗匹配，我们提出了一个新的框架来缩小仿真和真实机器人之间的差距，从而在动态足部运动中实现仿生动作。

Apr, 2024

本文研究了在没有先验动态知识的情况下，利用强化学习算法（如时间差分、策略梯度、价值函数逼近）对基准车杆动力系统进行控制的最优控制策略，进一步提出了将强化学习和摆起控制器相结合的新方法。

Oct, 2018

我们提出了一个基于强化学习的框架，使得四足机器人在真实世界中执行足球门将任务。

Oct, 2022