Nov, 2023

MTAC：基于层次强化学习的多足可适应地形控制器

PDF
TL;DR城市搜救和救援任务需要快速的第一反应，以减少生命和财产的损失。我们提出了一种多步态的地形自适应控制器（MTAC）来应对四足机器人在动态和崎岖地形环境中的挑战。通过使用层次强化学习的方法，我们证明了该方法在各种环境下的扩展性和计算时间与最先进方法相当。
urban search and rescuehumanitarian robotsquadruped robotsterrain-adaptive controllerhierarchical reinforcement learning
发现论文，激发创造
  • DeepGait: 使用深度强化学习规划和控制四足步态

    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

  • 为实现稳健高效的腿式运动而学习接触自适应控制器

    本研究提出了一个层次框架，将基于模型的控制和强化学习相结合，为四足动物（Unitree Laikago）合成鲁棒控制器。通过学习选择一套原语响应环境中的变化，使其适应复杂的环境变化，并具有更高的能源效率和更强的鲁棒性。

    Sep, 2020

  • 通过相位引导控制器学习四足机器人的自由步态转换

    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

  • 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

  • 快速学习四足动物在复杂地形上的敏捷奔跑

    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

  • Sim-to-Real: 四足机器人学习敏捷运动

    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

  • 结合模型预测控制和预测强化学习实现稳定的四足机器人行走

    本文研究了基于模型预测控制和强化学习控制器相结合的四足机器人稳定步态生成问题，并开发了一种融合了这两种方法的混合控制方法，其中采用一个以神经网络建模的 Q 函数形式的尾部成本算法来降低计算复杂度，并证明了我们的控制器在短时间内能够实现稳定步态，具有实时操作的能力。

    Jul, 2023

  • 四足动物运动的分层强化学习

    本文介绍一种利用层次化框架实现四足机器人路径跟踪任务的方法，其中高层策略以潜在空间向低层策略发出指令，并控制其执行的时间，低层策略使用潜在指令和机器人传感器来控制机器人的执行器，以完成任务需求，同时可以实现训练后的低层策略的高效迁移，为实现端到端的层次化深度学习提供了理论支持。

    May, 2019

  • 增强机器人操作：在元世界中利用多任务强化学习和单生命强化学习的力量

    该研究旨在用多任务软演员 - 评论家算法（MT-SAC）培训机械臂，以使其能够在 Meta World 环境中成功执行七项不同任务。接下来，训练模型将作为单一生命强化学习算法的先前数据，并通过在各种目标位置（新颖位置）进行测试来评估 MT-QWALE 算法的效果。最后，通过比较经过训练的 MT-SAC 和 MT-QWALE 算法，发现 MT-QWALE 的表现更好。消融研究表明即使隐藏了最终目标位置，MT-QWALE 也能够成功地完成任务，并且所需的步骤略多。

    Oct, 2023

  • 步態生成自動化方法用於行走的軟性機器四足

    使用非常少的计算，无需模拟和用户输入的方法，实现了软体机器人的自动生成步态，性能优于手工制作的步态。

    Sep, 2023