May, 2024

无处不玩：基于时态逻辑的游戏环境独立方法在机器人足球中的应用

PDF
TL;DR通过引入基于时态逻辑的方法，使机器人的行为和目标能够适应环境语义，实现在非结构化环境中进行足球比赛的能力。
发现论文，激发创造
  • 通过深度强化学习从自我中心视觉中学习机器人足球

    我们运用多智能体深度强化学习（RL）通过自我中心的 RGB 视觉训练端到端的机器人足球策略，解决了现实世界机器人领域中的许多挑战，包括主动感知、灵活的全身控制和长时间跨度的计划等。该论文是首次展示了通过将原始像素观测映射到关节级动作的端到端多智能体机器人足球的训练，并能够在真实世界中部署。

    May, 2024

  • 使用四足机器人进行分层强化学习，掌握精确的足球射门技巧

    本文提出了一种层次化的框架，利用深度强化学习使四足机器人能够在现实世界中执行精确的射击技能，包括鲁棒的运动控制策略和运动规划策略，应用于 A1 四足机器人中，实现了将足球精确射向目标的目的。

    Aug, 2022

  • 使用深度强化学习为双足机器人学习敏捷的足球技能

    本文研究了深度强化学习在机器人学中的应用，通过模拟训练，在低成本仿真机器人上实现了动态环境下复杂足球比赛中从走路到踢球等一系列动作表现出稳定流畅的运动技能，并取得了不错的效果。

    Apr, 2023

  • 从运动控制到团队合作 —— 在仿真人形足球中

    本研究使用多智能体协同学习模型，在模拟环境中训练了一组虚拟的足球运动员，研究并展示了在不同时间尺度上，采用不同层次抽象的行为表征下，机器人团队的协作行为出现的现象与优势。

    May, 2021

  • 基于时序逻辑奖励塑形的强化学习分布式控制

    本文提出了一个基于计算框架的分布式控制策略合成方法，用于处理存在部分观测的异质机器人团队，旨在满足 Truncated Linear Temporal Logic（TLTL）规范，其方法将综合问题表述为一个随机博弈，并采用策略图方法为每个机器人寻找具有内存的控制策略，模拟结果表明其解决方案的有效性和奖励塑形的有效性。

    Mar, 2022

  • 使用强化学习创建动态四足机器人守门员

    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

  • 具有时态逻辑奖励的强化学习

    本文提出了 Truncated Linear Temporal Logic (TLTL) 以及与之相应的鲁棒性度量作为奖励函数的强化学习方法，用以解决机器人应用中复杂任务的学习问题。在仿真实验和 Baxter 机器人的任务中，表现出了优异的鲁棒性能。

    Dec, 2016

  • Google Research Football: 一种新的强化学习环境

    介绍了一项新的强化学习环境 - 谷歌足球环境，提供支持多人和多代理实验的虚拟学习环境和用于测试和展示强化学习算法的三种难度场景与一组更简单的场景。

    Jul, 2019

  • 面向任务驱动的探索，加速具有时态逻辑任务规范的深度强化学习

    通过自动机表示 LTL 任务以及部分模拟未知系统动力学的神经网络，我们提出了一种新颖的深度强化学习（DRL）算法，其样本效率得以提高，能够更快速地学习控制策略，以在未知环境中的机器人导航任务中提高效率。

    Nov, 2023

  • 基于逻辑的伦理规划

    提出了一个在规划背景下进行伦理决策的框架，旨在应用于机器人。使用线性时间逻辑和词典偏好建模，提出了紧凑但高度表达的伦理规划语言，允许我们评估代理人的价值和欲望，引入了代理人的道德水平概念，并向多目标、多价值规划迈进。初步研究了规划任务的计算复杂性，并讨论了机器人的潜在应用。

    Jun, 2022