四足機器人運動控制

ลงชื่อเข้าใช้

該研究提出了一種名為 AllGaits 的全新運動控制架構，透過深度強化學習訓練單一策略，使四足機器人能夠實現所有步態及其轉換，並探討了不同步態、速度和步態風格對能量效率的影響。

本文提出了一種基於機會約束的模型預測控制（CCMPC）框架，通過將負載和地形變化建模為參數和加性擾動的概率分佈，並將其納入單一剛體動力學（SRBD）模型中，以實現具有魯棒性的四足機器人運動控制。

本文展示了僅在可微分模擬器中訓練的運動策略，可以成功轉移到真實世界的四足機器人上，關鍵在於採用一種結合資訊梯度和物理精度的平滑接觸模型。

本文提出了一種名為「自我學習潛在表徵」（SLR）的新方法，該方法無需依賴先驗資訊，即可訓練機器人學習高性能的運動控制策略，並在模擬和實際應用中展現出優於現有方法的性能。

強化學習為開發適應性強且穩健的四足機器人運動控制器提供了有效的框架，展現了其在處理複雜地形和任務方面的潛力。

本研究提出了一種基於步態選擇和步態轉換的多步態策略，以實現四足機器人在不同地形和速度下的穩定高效運動。

Gaitor 透過學習一個可解釋且解耦的潛在空間，來表示多種步態的統一表示，從而實現機器人在不同運動模式之間的連續轉換，並能適應不平坦地形。

本文提出了一種名為DreamWaQ++的新型四足機器人運動控制框架,能夠在各種複雜的真實世界環境中展現出靈活敏捷的運動能力,並且具有良好的穩健性,能夠應對各種不確定因素。

เกี่ยวกับ

ผลิตภัณฑ์

แหล่งข้อมูล