- 使用视觉 - 语言模型进行四足机器人适应的常识推理
通过利用视觉 - 语言模型（VLM）的通识推理能力，以及 VLM 在上下文适应和多技能规划方面的关键组件，我们提出了 VLM-Predictive Control（VLM-PC）系统，能够帮助双足机器人在处理困难、模糊的情况下做出自适应行为 - 语言引导的技能发现
使用大型语言模型的语义知识，Language Guided Skill Discovery (LGSD) 基于用户提示输出一组语义上独特的技能，使得四足机器人能够通过改变提示在平面上访问不同的用户预期区域，并且在机器人运动和操作环境中，与五 - 学习用于腿式操纵的力控制
我们提出了一种无需力传感器训练的强化学习策略来实现直接力控制，展示了在四足机器人整体控制平台上通过变化的整体柔顺度实现的重力补偿和阻抗控制，使得人类通过操纵器件即可直观地远程操作机器人，从而实现多样化的运动与操纵任务，为四足机器人提供了学习 - 游戏过滤器：安全机器人在对抗想象中行走
通过离线博弈强化学习，用于合成高度鲁棒的安全过滤器以实现腿式机器人在不确定的、新颖环境中的安全操作。
- 视觉全身控制用于腿部步态操纵
研究了使用装备有机械臂的四足机器人进行移动操纵的问题，提出了一种整体控制的框架，包括以视觉观测为基础的低层次控制策略和基于视觉输入的高层次策略，通过在仿真中训练并进行真实机器人部署的 Sim2Real 转换，取得了在不同配置（高度、位置、方 - 机器人地形分类的损失正则化
这篇论文提出了一种新的半监督方法来对腿式机器人进行地形分类，避免了对长变长数据集的预处理，采用堆叠式长短时记忆架构和新型的损失正则化方法，解决了现有问题并提高了准确性。与现有架构的比较显示出了改进。
- Pedipulate：利用四足机器人的腿实现操作技能
通过训练具有位置目标跟踪功能的强化学习策略，我们实现了利用四足机器人的腿进行操作的专用控制器，该控制器对干扰具有鲁棒性，在全身行为中具有大的工作空间，并且能够通过步态出现实现远距离目标达成，实现了步态操作。通过在四足机器人上使用遥操作部署我 - 利用不变扩展卡尔曼滤波器和神经测量网络的四足机器人状态估计
该论文介绍了一种新颖的基于感觉自身位置的机器人状态估计器，该估计器结合了基于模型的滤波器和深度神经网络。通过整合神经测量网络 (NMN) 和不变扩展卡尔曼滤波器，论文展示了该状态估计框架在各种地形中的性能改进。
- 敏捷但安全：学习无碰撞的高速腿部移动
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。
- OptiState: 采用具有基于 Transformer 的视觉和卡尔曼滤波的门控网络对四足机器人进行状态估计
通过在四足机器人上评估，我们提出了一种混合解决方案，通过结合本体感知和外部感知信息，利用 Kalman 滤波、优化和基于学习的模态，对机器人躯干状态进行估计，从而实现准确的机器人状态估计，并减少传感器测量和模型简化带来的非线性误差。
- RSG：基于技能图的四足机器人快速学习自适应技能
提出了一种名为机器人技能图（RSG）的新框架，用于组织机器人的庞大的基本技能并且巧妙地重新利用它们以实现快速适应，通过发现学习背景和机器人获得的技能之间存在的隐含关系，RSG 能够提供对新任务和环境的合理技能推理，并使四足机器人能够迅速适应 - 用于腿型机器人的全脉冲神经网络
利用脉冲神经网络 (SNN) 成功应用于四肢机器人，通过在多种模拟地形中实现优异的结果，SNN 在推理速度和能耗上具备自然优势，并且它们对于身体感知信号的脉冲形式处理提供了改进的生物相关性，据我们所知，这是首次在四肢机器人中实现 SNN 的 - 使用强化学习和生成式预训练模型实现四足机器人的逼真敏捷和游戏
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 - 突触运动适应：三要素学习规则在尖峰神经网络中用于自适应机器人控制
该论文介绍了一种名为神经元适应算法的新方法，其通过利用神经科学中衍生的突触可塑性规则和三因素学习，在四足机器人中实现了实时的在线适应。
- 使用四足机器人评估动物级敏捷性能的基准测试
我们引入了 Barkour 基准测试，用于衡量机器人的敏捷性，并通过基于策略的强化学习方法和 Transformer 模型训练，演示了这个基准测试的应用，希望能够为实现动物级别的敏捷性控制器迈出实质性一步。
- 通过经验转移学习和适应敏捷运动技能
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。
- 使用学习动作残差的连续多功能跳跃
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。
- CVPR神经体积记忆用于视觉行动控制
利用单目深度相机、神经体积记忆和几何先验知识，提出了一种新的方法来解决多种恶劣地形条件下的机器人步态规划问题。
- 深度全身控制：学习一体化的操作和运动策略
提出使用增强学习学习整体控制策略来实现对四肢机器人的控制，以解决四肢协调和模块间错误传播的问题，该统一策略可在多种任务设置中展示动态和敏捷行为。
- 人形机器人步态中的稳健接触状态估计
本文提出了一个深度学习框架来解决人形机器人步态中的腿部接触检测问题。该框架利用了本体感知，能够准确和稳健地估计每条腿的接触状态概率，并通过模拟得到的接触数据进行分类处理。该框架在模拟环境中通过对地面真实接触数据的使用进行了定量和定性评估，并