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

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

本文提出了一种安全的强化学习框架，用于设计控制策略，以确保腿部运动的安全，同时利用无模型的强化学习进行学习任务。在此框架基础上，本文进行了四项步态运动实验，并实现了显著的提升，包括节能、稳定性和动作变化。

Mar, 2022

通过在真实机器人ANYmal C上执行8-200Hz的深度强化学习基于动作控制策略，我们展示了使用低频控制某种程度上可以实现比高频控制更加鲁棒和动态的机器人运动，这在不考虑动力学随机化或作用建模的情况下即可成功进行模拟到实物的转移。

Sep, 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

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

通过从动物运动控制中获得灵感，我们展示了训练一种有效的单个运动策略，能够控制多样的四足机器人，该策略通过调节中央模式发生器（CPG）的频率和振幅来产生节奏输出，并将其映射到模式形成（PF）层，从而在不同机器人之间仅调整缩放参数以适应步幅高度和长度，我们还检验了此策略在Unitree Go1和A1机器人上的模拟到实际转移性能，甚至在增加相当于A1机器人额定质量的125%负载情况下仍然表现良好。

Oct, 2023

鲁棒的运动控制依赖于准确的状态估计，这篇论文提出了使用混合内部模型(HIM)来估计外部状态，并使用对比学习来优化嵌入响应，从而实现四足机器人在各种地形和干扰下的高度灵活、开放世界的运动控制。

Dec, 2023

利用一种学习性控制架构，本文介绍了灵巧而安全（ABS）的机器人导航技术，使四足机器人能够以高速且避免碰撞的方式在障碍物多的环境中执行任务。

Jan, 2024

本研究解决了四足机器人在实际应用中面对微小障碍物时的稳定步行能力问题。我们提出一种新颖的方法，仅依赖本体感觉输入，构建了一个包含接触编码器和分类头的两阶段训练框架，以学习不同障碍的隐性表示。实验结果表明，该方法在模拟和实境环境中均表现出良好的有效性和稳健性，具有重要的研究价值。

Sep, 2024