Sep, 2023

极限公园 our 与机器人

PDF
TL;DR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。
发现论文，激发创造
  • 机器人跑酷学习

    本文提出了一种以视觉为基础、具有多样化跑酷技能的单一端到端学习系统，使用简单奖励而无需参考动作数据，通过直接配合启发的强化学习方法生成并传输到四足机器人上，使其能够在复杂环境中自主选择并执行适当的跑酷技能。

    Sep, 2023

  • 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

  • 使用自我中心视觉在具有挑战性地形中进行腿式 locomotion

    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

  • 用腿作为机械臂：推进四足动物的敏捷性超越运动

    该论文讨论了如何通过在模拟中训练四足机器人学习步行和使用前腿攀爬墙壁、按按钮、与物品交互等技能，并通过行为树将这些技能结合起来执行任务，并使用分阶段的课程和 sim2real 变体在现实世界中应用这些技能。

    Mar, 2023

  • 学习四足动物在复杂地形上的步态

    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

  • 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

  • 使用学习动作残差的连续多功能跳跃

    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

  • 使用四足机器人评估动物级敏捷性能的基准测试

    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

  • 通过经验转移学习和适应敏捷运动技能

    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

  • 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