Dec, 2023

自主模型：采用分层低维表示模拟完整的人体肌肉骨骼系统和运动控制

PDF
TL;DR建立了综合的肌肉骨骼模型和相应的控制算法，能够模拟全身动力学和人机交互，并采用新的低维度表示和分层深度强化学习算法来实现最先进的全身控制。
modelinghuman musculoskeletal systemcontrol algorithmfull-body controlinteractive robots
发现论文，激发创造
  • 人类运动系统外部仿真的仿生神经网络

    该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法，用于预测关节运动和肌肉力量，并证明该方法能有效地识别个体特定的肌骨生理参数，并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。

    Sep, 2023

  • 高维肌骨模型中无示范的强化学习自然稳健步行

    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。

    Sep, 2023

  • 学习身体模型：从人类到仿人机器人

    本研究通过与发展心理学家合作的定向实验，了解婴儿如何获得第一次的 “感觉 - 运动身体知识”，进而构建具有传感器官的计算模型，对多模态身体表示学习、适应和操作的机制进行研究，提出了自我接触和自我观察的办法，开发了一个校准工具箱，并在多个机器人平台上进行了实验验证，最终研究了周围空间与人类和机器人的安全合作的可能性。

    Nov, 2022

  • MyoSuite -- 一种用于肌肉骨骼运动控制的接触模拟套件

    MyoSuite 是一套体质上准确的生物力学模型，能够支持复杂的接触丰富的现实世界任务，包括肌腱移植、外骨骼辅助和肌肉收缩动力学等生理变化，从而展现出现实中的非稳态条件。

    May, 2022

  • 基于物理控制的通用人形动作表示

    我们提出了一种通用的运动表示方法，该方法涵盖了针对基于物理的人形控制的全面的运动技能范围。

    Oct, 2023

  • 人形机器人的分层视觉运动控制

    在此项工作中，我们使用基于任务的高层控制器与低层运动控制器结合的体系结构，开发了一个控制物理仿真的复杂人形智能体的系统，以解决需要在环境中移动并从 RGB 摄像机中检测物体的任务。

    Nov, 2018

  • 分层世界模型作为视觉全身人形控制器

    基于强化学习的高度数据驱动方法用于视觉全身人形控制，通过层级世界模型生成指令以执行，实现了在模拟 56 自由度人形机器人的 8 个任务上高性能控制策略的合成。

    May, 2024

  • 用于自主机器人的层级生成建模

    用分层生成模型实现人类灵感的机器人运动控制与自主完成目标驱动任务。

    Aug, 2023

  • 人形机器人的表达性全身控制

    我们提出了一种能够在真实世界中让机器人产生丰富、多样和表现力强的动作的方法，通过在一个人型机器人上学习一个整体控制策略，尽可能地模仿人类的真实动作。通过在强化学习框架中利用图形社区的大规模人体动作捕捉数据来训练这种策略，但是直接使用动作捕捉数据集进行模仿学习可能无法适用于真实的人形机器人，因为在自由度和物理能力方面存在巨大差距。我们的方法（Exbody）通过鼓励上半身模仿参考动作，而放松对其两条腿的模仿约束，只要求它们能够稳定地跟随给定速度来解决这个问题。通过在模拟和实际场景中进行训练和仿真转移，我们的策略可以控制一个人形机器人以不同的风格行走，与人类握手，甚至与人类共舞。我们进行了广泛的研究和比较，展示了我们方法的有效性。

    Feb, 2024

  • PerSival: 基于神经网络的肌肉骨骼生物力学中全渗透连续力学模拟的可视化

    本研究提出了一种新的神经网络架构，用于对 3D 人类上肢骨骼系统模型进行全面的可视化。利用深度学习模型实现了实时可视化，使得连续力学模拟在视觉实时应用中变得可行。

    Dec, 2023