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
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。
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
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
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
通过使用动物和人类的知识来激发机器人创新,我们提出了一个框架,使四肢机器人能够在复杂环境中具备像真实动物一样的灵活性和策略。通过利用先进的深度生成模型产生模拟动物行为的运动控制信号,我们的方法通过预训练感知动物运动的生成模型,将原始知识保留并重复利用于环境适应性学习阶段,最终在复杂的下游任务中通过任务特定控制器解决任务,从而推动了机器人控制的前沿。
Aug, 2023
本研究提出了一种基于模仿学习的系统,使机器人可以通过模仿真实世界的动物学习敏捷的运动技能,并演示了该系统的有效性。
Apr, 2020
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
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