本文提出了一种利用深度强化学习技术自动化四足机器人运动设计过程的系统,能够从简单的奖励信号中学习四足运动,并可提供开环参考进行学习过程的控制,采用系统辨识来改进物理模拟器,利用物理环境随机与扰动设计控制器,并在物理模拟器中进行评估,成功在现实世界中部署。
Apr, 2018
本文提出了学习控制犬形四足机器人在各种步态下运动的框架,并通过强化学习算法解决了多任务学习的问题。使用四个独立的相位来描述步态发生器和控制策略之间的接口,使用该控制策略,黑豹四足机器人可以在自然环境下流畅、稳健地学习所有运动技能并遵循速度命令进行运动。
Jan, 2022
本文提出了一种针对四足机器人开发能源高效的控制器的问题的解决方法,即采用分层学习框架和进化策略来训练高级步态策略和低级凸优化 MPC 控制器,实现了机器人从行走到小跑再到飞奔等不同速度下自动切换步态,并表明在整个运动速度范围内该分层控制器的能量消耗都显著低于基准控制器。
Apr, 2021
本文利用机器人的实验研究方法研究了四足机器人在不同地形下的学习最小化机械能消耗以实现不同速度下的自然运动步态。本文证实了这一假设和在仿真和现实硬件的自然地形中的验证,这种方法也能够实现非结构化的奔跑步态,与动物的运动控制研究相一致。
Oct, 2021
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
提出了可用于实际四足机器人控制的可微分仿真框架,能够在短时间内实现四足机器人的多种暴走技能,以及在现实世界中的鲁棒步态表现。
Mar, 2024
本文提出了一种新的神经网络政策训练技术,可用于在非平坦地形上的足式机器人的运动规划和控制。该方法结合了模型驱动的运动规划和强化学习的最新方法,并应用于一组包含挑战性地形场景的模拟测试中,证明了该方法的有效性。
Sep, 2019
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
本文提出了一种新的算法,可以推断关于动态系统参数的信息,同时从先前的观察中估计有关机器人状态的重要信息,并将其与 Adversarial Motion Priors 结合,实现了机器人在真实世界中稳定、灵活和自然的步态,从实验结果中发现相对于基线算法,我们提出的算法能够以更低的功耗遍历具有挑战性的地形。
Apr, 2023
使用无模型强化学习在仿真环境下训练的,基于镜像世界神经网络的四足机器人运动控制器具有极强的抗扰动性能和泛化能力,能够协调机器人的动作频率和运动速度,实现更加自然和合理的运动模式。
Jul, 2022