Lifelike Agility and Play in Quadrupedal Robots using Reinforcement Learning and Generative Pre-trained Models
Tencent Robotics X(腾讯 Robotics X 实验室)
本文提出一种分层框架,通过预训练生成式模型与强化学习为四足机器人构建可复用的原始、环境和策略知识,并在MAX机器人上实现了逼真的动物模仿、复杂越障及多智能体追逐游戏中的敏捷策略行为。
2024-07-06 cs.AI cs.RO
Barkour: Benchmarking Animal-level Agility with Quadruped Robots
Google DeepMind(谷歌DeepMind)
针对足式机器人缺乏敏捷性系统基准的问题,提出受狗敏捷赛启发的Barkour障碍赛道基准,并基于强化学习与Transformer蒸馏两种方法设定基线,使四足机器人能以狗一半的速度完成赛道,推动机器人向动物级敏捷性发展。
2023-05-24 cs.AI cs.RO
The implications of embodiment for behavior and cognition: animal and robotic case studies
University of Zurich(苏黎世大学);Artificial Intelligence Laboratory(人工智能实验室)
在本文中,我们将认为,如果我们想了解大脑的功能(或机器人的控制),我们必须了解大脑如何嵌入物理系统,以及生物体如何与现实世界相互作用。虽然具体化经常被用于其琐碎的含义,即“智能需要身体”,但这个概念具有更深层次和更重要的含义,涉及物理和信息(神经,控制)过程之间的关系。一些案例研究,以说明这一概念。这些涉及动物和机器人,并集中在运动,抓取和视觉感知。将提出一个理论方案,可以用来嵌入不同的案例研究。最后,我们将在低级感觉运动过程和认知之间建立联系。我们将提出一个具身观点的范畴化,并提出了“身体图式”和“前向模型”的概念,作为一个自然的延伸的具身方法向第一表征。
2012-02-02 cs.AI
How Intelligent is your Intelligent Robot?
Bristol Robotics Lab(布里斯托机器人实验室)
机器人A和机器人B相比有多聪明?与动物(或植物)X和Y相比,机器人A和B有多聪明?这些问题既有趣又极具挑战性。在本文中,我们解决的问题“如何智能是你的智能机器人?通过提出具身智能是从四种不同的、截然不同的智能的相互作用和整合中产生的。然后,我们提出了一个简单的图示,在这个图示上,这些类型的智能被显示为星形图中的四个轴。对动物和机器人的智力图进行粗略的定性比较,既暴露了智能机器人的长期智力缺陷,也有助于解释这一问题。最后,我们研究了确定四种智力的数值的选择,以努力走向一个可量化的智力矢量。
2017-12-24 cs.AI cs.RO
Learning-Based Fault Detection for Legged Robots in Remote Dynamic Environments
Massachusetts Institute of Technology(麻省理工学院);University of Pennsylvania(宾夕法尼亚大学)
本文提出一种基于学习的离线方法,用于从腿部机器人本体传感器数据中检测单肢故障,以帮助控制器选择合适的三足步态。
2026-04-03 cs.RO
A Biologically Inspired Global Localization System for Mobile Robots Using LiDAR Sensor
Technical University of Munich(慕尼黑工业大学);Sun Yat-sen University(中山大学)
环境中的定位是动物和移动机器人的基本导航能力。在室内环境中,全局定位问题仍然具有挑战性,可以完美地解决概率方法。然而,动物能够本能地定位自己少得多的努力。因此,从动物身上寻找生物学的灵感是一件耐人寻味、大有可为的事情。在本文中,我们提出了一个生物启发的全球定位系统,使用激光雷达传感器,利用海马模型和基于地标的重新定位方法。实验结果表明,该方法与蒙特卡罗定位方法相比具有较强的竞争力,在不同的定位场景下,具有较高的准确性、适用性和可靠性。
2021-09-27 cs.RO
Hybrid leg compliance enables robots to operate with sensorimotor delays and low control update frequencies
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
动物行走健壮而敏捷,尽管它们的神经系统存在明显的感觉运动延迟。足式机器人的感觉运动控制是以高得多的频率(通常在千赫兹范围内)和在低毫秒范围内的传感器和致动器延迟来实现的。但特别是在未知触地时间的严重影响下,足式机器人表现出不稳定的控制器行为,而动物似乎没有受到影响。在这里,我们研究这种差异,并建议一个混合动力机器人腿和控制器的设计。我们实现了一个物理的,平行的关节顺应性与一个积极的,虚拟的腿长控制器相结合。我们提出了一套广泛的系统实验在计算机模拟和硬件。我们的混合腿和控制器的设计显示出以前看不见的鲁棒性,在存在的感觉运动延迟高达60毫秒,或控制频率低至20赫兹,从1.3腿长高和被动顺应性比为0.7的降落任务。在计算机模拟中,我们报告了成功的下降着陆的混合顺应腿从3.8腿长(1.2米)为2公斤的四足机器人与100 Hz的控制频率和35 ms的感觉运动延迟。我们提出的混合腿的设计和控制的结果提供了进一步的解释动物的性能鲁棒性,以及由此产生的动物和足式机器人之间的差异。
2021-01-28 cs.RO
Bio-Inspired Plastic Neural Networks for Zero-Shot Out-of-Distribution Generalization in Complex Animal-Inspired Robots
Vidyasirimedhi Institute of Science and Technology(维达西利梅迪科学技术学院);IT University of Copenhagen(哥本哈根信息技术大学);University of Southern Denmark(南丹麦大学)
本文提出带权重归一化的 Hebbian 可塑性网络,防止权重发散,并在 18 自由度蜣螂与 16 自由度壁虎机器人上实现零样本 sim-to-real 运动及 OOD 泛化。
2025-03-16 cs.AI cs.RO
Neuromodulated Patience for Robot and Self-Driving Vehicle Navigation
University of California, Irvine(加州大学欧文分校)
机器人和自动驾驶汽车在现实环境中导航时面临着许多挑战。在动态环境中成功导航需要对子任务进行优先级排序并监控资源。动物也受到类似的限制。研究表明,神经调节剂5-羟色胺调节动物的冲动和耐心。在本论文中,我们的灵感来自于能量系统,并将其应用到机器人导航的任务。在一组户外实验中,我们展示了改变耐心水平如何影响机器人搜索所需位置的时间。为了在GPS受损的环境中导航,我们引入了一个深度强化学习范例,在这个范例中,机器人学会了跟随人行道。这可以进一步调节平滑的长路线和粗糙的较短路线之间的折衷。使用耐心作为参数可能对时间压力下的自治系统有益。
2019-09-14 cs.AI cs.RO
Body-terrain interaction affects large bump traversal of insects and legged robots
Johns Hopkins University(约翰斯·霍普金斯大学)
本研究通过让discoid cockroach和开环六足机器人冲向不同高度凸起,发现身体-地形相互作用显著影响跨越性能,并利用运动能量景观模型分析稳定性,提出主动身体俯仰控制策略使机器人最大可跨越高度提升75%。
2025-09-17 cs.RO physics.bio-ph q-bio.QM
SiMPLeR: A Series-Elastic Manipulator with Passive Variable Stiffness for Legged Robots
Saratoga High School(萨拉托加高中);University of Michigan(密歇根大学)
我们提出了一种机械简单,成本低廉的设计,一系列的弹性致动器与可控刚度。这些特性对于动物的奔跑、跳跃、投掷和操纵是必要的,然而在机器人中,变刚度致动器要么很复杂,要么通过反馈控制器在低带宽下模仿。需要一个强大而简单的设计来建造可靠而廉价的具有动物能力的机器人。我们设计的关键是将扭转弹簧连接到正时皮带上,以创建可变刚度线性弹簧。在对抗对中,改变电机和关节之间的距离则改变致动器刚度。我们建立了一个原型,我们提出的致动器,显示的理论行为相匹配的实验表征,并展示了应用机器人单腿跳跃。
2021-06-20 cs.RO
Tensegrity-based Robot Leg Design with Variable Stiffness
Laboratory of Intelligent Systems, École Polytechnique Fédérale de Lausanne (EPFL)(智能系统实验室,瑞士洛桑联邦理工学院(EPFL))
本文提出基于张拉整体的可变刚度机器人腿部设计,通过调节缆索张力控制关节旋转刚度,实验证明其能显著降低冲击力并在不同载荷下保持相似腿部屈曲,为更具弹性和适应性的有腿机器人提供新途径。
2025-04-28 cs.RO
Minimizing Energy Consumption Leads to the Emergence of Gaits in Legged Robots
Carnegie Mellon University(卡内基梅隆大学);UC Berkeley(加州大学伯克利分校)
腿式运动通常被研究并表示为一组离散的步态模式,如步行、小跑、疾驰,这些步态模式通常被视为给定的,并在足式机器人中被预编程,以不同的速度进行有效的运动。然而,固定一组预先编程的步态限制了运动的通用性。最近的动物运动研究表明,这些传统的步态只在理想的平坦地形条件下普遍存在,而现实世界的运动是非结构化的,更像是间歇性的步伐。什么样的原则可以导致哺乳动物的结构化和非结构化模式,以及如何在机器人中合成它们?在这项工作中,我们采取综合分析的方法,并通过最小化机械能来学习移动。我们证明,学习,以最大限度地减少能源消耗发挥了关键作用,在真正的四足机器人以不同的速度自然运动步态的出现。这些涌现的步态是在理想地形中构造的,看起来与马和羊的步态相似。同样的方法导致非结构化的步态在粗糙的地形,这是一致的动物运动控制的研究结果。我们验证我们的假设在模拟和真实的硬件在自然地形。视频https://energy-locomotion.github.io
2021-10-25 cs.AI cs.CV cs.LG
Particle Filter on Episode
Chiba Institute of Technology(千叶工业大学)
与动物不同的是,机器人可以长时间准确地记录自己的经历。我们提出了一种新的算法,运行粒子滤波器的时间序列的经验。它可以应用于一些教学和重放任务。在一项任务中,教练控制机器人,机器人记录其传感器读数和动作。我们将这种记录的顺序称为一个情节,它来源于动物的情景记忆。之后,机器人执行粒子滤波器,以便从情节中找到与当前情况相似的情况。如果机器人选择在类似情况下采取的行动,它可以重放被教导的行为。我们将此算法命名为粒子滤波器的情节(PFoE)。具有PFoE的机器人不仅表现出简单的行为重放,而且还表现出从打滑和中断中恢复运动。在本文中,我们评估PFoE的性能与一个小型移动机器人。
2019-04-18 cs.RO
Emotional Metaheuristics For in-situ Foraging Using Sensor Constrained Robot Swarms
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Indian Institute of Science(印度科学学院)
我们提出了一种新的社会动物启发的情感群体智能技术。这种技术被用来解决一个流行的集体机器人问题的变体,称为觅食。我们通过模拟研究展示了基于饥饿和孤独等感觉的简单交互规则如何导致全局一致的涌现行为,从而使传感器受限的机器人能够解决给定的问题
2019-06-27 cs.AI cs.RO
Unlock Reliable Skill Inference for Quadruped Adaptive Behavior by Skill Graph
Zhejiang University(浙江大学);School of Engineering, Westlake University(西湖大学工程学院)
受动物技能组合启发,提出机器人技能图(RSG)框架,通过组织并重用基本技能,实现四足机器人在新任务和环境中的可靠技能推断与快速适应。
2025-02-26 cs.AI cs.RO
Diaphragm Ankle Actuation for Efficient Series Elastic Legged Robot Hopping
University of Trento(特伦托大学);Scuola Superiore Sant’Anna(圣安娜高等学校);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
机器人需要轻巧的腿敏捷的运动,和内在的系列弹性顺应性已被证明是一个主要成分的节能运动和鲁棒的运动控制。动物的解剖学和运动能力强调了轻质腿和用于远端腿关节的集成、紧凑、系列弹性致动的重要性。但与机器人不同的是,动物通过肌肉肌腱单元实现了一系列的弹性驱动。到目前为止,还没有一种设计具有完美的远端腿运动致动器的所有特征;低重量和低惯性设计,具有高机械效率,无粘着和滑动摩擦,低机械复杂性,高功率输出,同时易于安装。理想地,这种致动器可以被直接控制,而没有机械交叉耦合,例如远程控制。考虑到这一目标,我们提出了一个低摩擦,轻型系列弹性隔膜远端致动器(SELDA),满足许多,但不是全部,上述要求。我们开发,实施和表征的仿生机器人腿,具有SELDA驱动的脚段。我们比较了两个腿配置控制的中央模式发生器,都具有敏捷向前跳跃。通过调整SELDA的激活时机,我们有效地调整了机器人的跳跃高度的11%,其前进速度的14%,即使相对较低的功率注入到远端关节。
2022-03-04 cs.RO
Disturbance-Aware Aerial Robotics for Ethical Wildlife Monitoring
Department of Computing, Jonkoping University(约翰内斯堡大学计算机系);Department of Information Systems, University of Haifa(海法大学信息系统系)
提出一种基于强化学习的扰动感知框架,用于异构空中机器人编队自主追踪野生动物,同时最小化行为干扰,在三种动物和四种行为模型上超越规则基线。
2026-06-06 cs.LG cs.RO
SLoMo: A General System for Legged Robot Motion Imitation from Casual Videos
Mechanical Engineering, CMU(卡内基梅隆大学机械工程学院)
提出SLoMo框架,从随意视频中提取运动并迁移到腿式机器人,通过三阶段处理实现无需标记的通用运动模仿。
2023-09-05 cs.RO
State-of-the-art in Robot Learning for Multi-Robot Collaboration: A Comprehensive Survey
Texas A&M University(德克萨斯农工大学)
本文综述了多机器人协作背景下机器人学习的最新进展,回顾了受人类和动物启发的常用学习方法及其优缺点与技术挑战,并利用统计方法定量验证观点,探讨了未来与实际应用融合的潜在趋势。
2024-08-03 cs.AI cs.RO
CUREE: A Curious Underwater Robot for Ecosystem Exploration
Woods Hole Oceanographic Institution (WHOI)(伍兹霍尔海洋研究所);MIT-WHOI Joint Program in Oceanography/Applied Ocean Science and Engineering(麻省理工学院-伍兹霍尔海洋研究所海洋学/应用海洋科学与工程联合项目)
本文提出水下机器人平台CUREE,通过低空视觉调查、声景调查、栖息地表征和动物跟随等行为与感知算法,实现对珊瑚礁生态系统的多维度探索,并在美属维尔京群岛的两次实地部署中验证了其栖息地识别与动物跟随能力。
2023-04-20 cs.AI cs.CV cs.RO
Human-Recognizable Robotic Gestures
National University of Singapore(新加坡国立大学);The Chinese University of Hong Kong(香港中文大学)
为了让机器人适应人类的空间和人类的日常活动,机器人应该能够理解来自人类对话伙伴的信息。同样,人类也必须理解机器人传达的信息,包括非语言信息。我们进行了一项基于网络的视频研究,其中参与者对拟人化机器人产生的标志性手势和表情进行了解释。在呈现的15个手势中,我们发现6个机器人手势可以被人类观察者准确识别。这些是点头,鼓掌,拥抱,表达愤怒,走路和飞行。我们从人类和动物行为的文献中回顾了这些手势的意义。最后,我们讨论了这些手势的设计,旨在与人类进行互动的社交机器人的可能影响。
2012-12-26 cs.AI cs.HC cs.RO
Learning to Adapt through Bio-Inspired Gait Strategies for Versatile Quadruped Locomotion
School of Mechanical Engineering, University of Leeds(利兹大学机械工程学院);Department of Computer Science, University College London(伦敦大学学院计算机科学系)
本研究将动物运动的步态转换、记忆和实时调整原则融入深度强化学习,实现四足机器人无需外部感知即可在多步态间切换并恢复稳定,在真实地形上零样本部署且显著优于基线。
2025-06-22 cs.RO
Deploying COTS Legged Robot Platforms into a Heterogeneous Robot Team
CSIRO(联邦科学与工业研究组织)
商业现货(COTS)足式机器人平台的最近可用性已经开辟了将腿式系统部署到不同场景中的新机会。虽然足式机器人的主要优势是它们能够穿越非结构化地形,但机器人平台所能实现的目标与它们的动物同行之间仍然存在很大的差距。因此,当作为不同平台的异构机器人团队的一部分进行部署时,了解腿式平台比轮式、履带式或空中平台表现更好的不同场景是有益的。两个COTS四足机器人,Ghost Robotics的Vision 60和Boston Dynamics的Spot,被部署到一个异构的团队中。描述了一些面临的挑战,同时整合的平台,以及在穿越不同地形的一些实验提供给洞察到现实世界中部署的足式机器人。
2021-06-14 cs.RO
Your Robot Will Feel You Now: Empathy in Robots and Embodied Agents
School of Computing Science, Simon Fraser University(计算科学学院,西蒙弗雷泽大学);School of Interactive Arts and Technology, Simon Fraser University(交互艺术与技术学院,西蒙弗雷泽大学)
本文综述了人类机器人交互和具身对话代理领域中共情行为和模型的研究,探讨如何将这些经验应用于当今基于语言的代理系统。
2026-02-12 cs.AI cs.CV cs.RO
Ankle Joints Are Beneficial When Optimizing Supported Real-world Bipedal Robot Gaits
University of Oslo(奥斯陆大学);Norwegian Defence Research Institute(挪威国防研究所)
足式机器人比轮式机器人具有更高的通用性和穿越更困难地形的能力。尽管足式机器人的使用在过去几年中急剧增加,但它们仍然没有接近自然界中有腿动物的性能。机器人腿通常在机械上相当简单,很少有踝关节,尽管大多数陆地哺乳动物都有。踝关节可能是一个关键,以更好的性能和稳定性的足式机器人,在本文中,我们研究如何使用踝关节的双足机器人可以提高其性能时,结合进化技术的步态优化。我们的研究表明,无论是在模拟和物理实验中,除了踝关节的结果在更大的步行速度的支持双足机器人。
2021-05-22 cs.RO
Stanford Doggo: An Open-Source, Quasi-Direct-Drive Quadruped
本文介绍了斯坦福狗,一个准直接驱动的四足动物能够动态运动。该机器人匹配或超过最先进的足式机器人的常见性能指标。在垂直跳跃敏捷性方面,一个衡量平均垂直速度的指标,斯坦福狗狗与表现最好的动物相匹配,并超过之前最好的机器人22%。一个整体的设计架构,重点放在我们的准直接驱动的设计方法。复制这个机器人的硬件和软件是开源的,只需要手工工具来制造和组装,成本不到3000美元。
2019-05-10 cs.RO
Robotic design choice overview using co-simulation
Aarhus University(奥胡斯大学);Conpleks Innovation
机器人系统的快速开发需要多学科的方法和工具来探索和比较设计方案。在本文中,我们提出了协同建模,控制器软件的连续时间模型的物理机器人组件的离散事件模型相结合。提出的联合建模方法利用VDM离散事件和20-SIM的连续时间建模。以移动机器人动物饲养系统的协同建模为例说明了协同建模方法。仿真被用来评估机器人模型的输出响应与操作需求。模拟的结果为开发人员提供了所选设计空间中每个解决方案实例的影响的概述。基于解决方案概述,开发人员可以选择被认为可行的候选机器人,并在实际的物理机器人上进行部署和测试。
2018-02-17 cs.RO
TrackerBots: Autonomous Unmanned Aerial Vehicle for Real-Time Localization and Tracking of Multiple Radio-Tagged Animals
Wiley(威立出版集团)
本文提出了一种名为TrackerBots的自主无人机系统,利用RSSI测量实现低成本轻量级的多只无线电标签动物的实时定位和跟踪,通过粒子滤波和POMDP动态路径规划提高导航效率并节省电量。
2020-03-19 cs.RO cs.SY eess.SY
Particle robots A new specie of hybrid bio-inspired robotics
灵感来自于一些没有眼睛和耳朵的简单生物。本文提出了一种新型的混合仿生机器人,称为“粒子机器人”,它将一个大型生物体和一个微型生物体混合在同一个机器人中。一方面,一种有趣而无聊的动物,生物海胆(海胆)与病毒微生物混合,特别是轮状病毒;以及球形移动机器人。类似地,从纯机器人的角度来看,这种仿生机器人可以被看作是一个穿着驱动外骨骼的球形移动机器人。该机器人有两个主要配置:当脊柱收缩时,它成为一个球形移动机器人,能够在陆地上快速移动,嵌入所有球形移动机器人属性。另一方面,当脊椎或腿以受控的模式伸展时,它可以在平坦的表面上行走,也可以像仿生海胆一样在雪地和岩石上移动。机器人的脊柱是伸缩式线性致动器,它结合了软、硬3D打印材料,使致动单元灵活,可以在最小的空间内压缩它,而刚性可以提升机器人。
2020-02-15 cs.RO
Imitation and Adaptation Based on Consistency: A Quadruped Robot Imitates Animals from Videos Using Deep Reinforcement Learning
Shenyang Institute of Automation, Chinese Academy of Sciences(中国科学院沈阳自动化研究所);Institutes for Robotics and Intelligent Manufacturing, Chinese Academy of Sciences(中国科学院机器人与智能制造创新研究院);Westlake University(西湖大学);University of Chinese Academy of Sciences(中国科学院大学)
四足动物动作的实质是重心的移动,重心的移动在四足动物的动作中具有一定的规律性。然而,四足机器人的步态运动规划是耗时的。自然界中的动物可以提供大量的步态信息供机器人学习和模仿。常见的方法是通过动作捕捉系统或大量的动作数据点来学习动物的姿势。在本文中,我们提出了一个视频模仿自适应网络(VIAN),可以模仿动物的动作,并适应它的机器人从几秒钟的视频。深度学习模型从视频中提取动物运动过程中的关键点。VIAN利用运动适配器消除噪声并提取运动的关键信息,然后将提取的运动函数作为运动模式应用于深度强化学习(DRL)。为了确保学习结果与视频中的动物运动之间的相似性,我们引入了基于运动一致性的奖励。DRL从视频中的运动模式中探索和学习保持平衡,模仿动物的动作,最终允许模型从不同动物的短运动视频中学习步态或技能,并将运动模式转移到真实的机器人上。
2022-03-02 cs.LG cs.RO
MBE-ARI: A Multimodal Dataset Mapping Bi-directional Engagement in Animal-Robot Interaction
Purdue University(普渡大学)
本文提出MBE-ARI多模态数据集,记录腿式机器人与奶牛的双向交互,并开发了跟踪39个关键点、mAP达92.7%的四足动物姿态估计模型,为动物-机器人交互研究奠定基础。
2025-04-11 cs.CV cs.RO
Co-designing Zoomorphic Robot Concepts for Animal Welfare Education
University of Edinburgh(爱丁堡大学);Heriot-Watt University(赫瑞-瓦特大学)
本研究通过参与式设计工作坊,从教育工作者和儿童视角确定仿生机器人用于动物福利教育的关键需求,涵盖外观、行为、叙事,并强调负面反应、面部和尾巴线索及自然外观的重要性。
2025-08-04 cs.RO
Automated optimisation of multi-level models of collective behaviour in a mixed society of animals and robots
Univ Paris Diderot(巴黎狄德罗大学);Sorbonne Paris Cité(巴黎索邦大学联盟);Sorbonne Universités(索邦大学联盟);UPMC Univ Paris 06(巴黎第六大学);CNRS(法国国家科学研究中心)
动物和机器人的集体行为可以表现出复杂的动态,需要多层次的描述。在这里,我们有兴趣开发一个多层次的建模框架,使用机器人在动物集体决策的研究。在这种情况下,使用机器人可以用于在计算机上验证模型,诱导校准的重复刺激以触发动物反应或调节和控制动物的集体行为。然而,设计适当的仿生机器人行为面临着一个重大挑战:如何从动物观察到的集体决策动态到机器人的实际算法实现。在以前的工作中,这主要是手工完成的,通常是从人类设计的模型中获得灵感。通常,行为模型是宏观的,种群动态的微分方程,或微观的,每个个体的明确时空状态。只有微观模型可以很容易地实现为机器人控制器。在这里,我们解决的问题,可以在机器人中实现的较低级别的描述模型的设计自动化,并表现出相同的集体动态作为一个给定的更高级别的模型。我们采用进化算法,同时优化模型的参数占不同层次的描述。这种方法适用于实验验证的庇护所选择问题解决群居昆虫和机器人。我们成功地设计和自动校准微观和混合模型表现出相同的动态作为一个宏观的。我们的框架可用于动物或机器人群体和生物混合系统的集体行为的多层次建模。
2016-02-02 cs.MA cs.RO nlin.AO
Learning Agile Robotic Locomotion Skills by Imitating Animals
Google Research(谷歌研究院);University of California, Berkeley(加利福尼亚大学伯克利分校)
复制动物多样而敏捷的运动技能一直是机器人技术的一个长期挑战。虽然手动设计的控制器已经能够模拟许多复杂的行为,但构建这样的控制器涉及耗时且困难的开发过程,通常需要对每个技能的细微差别进行大量的专业知识。强化学习为自动化控制器开发中涉及的手动工作提供了一种有吸引力的替代方案。然而,设计从代理中引出所需行为的学习目标也需要大量的技能特定的专业知识。在这项工作中,我们提出了一个模仿学习系统,使足式机器人学习敏捷的运动技能,模仿现实世界的动物。我们表明,通过利用参考运动数据,一个单一的学习为基础的方法是能够自动合成控制器的足式机器人的各种剧目的行为。通过将样本有效的领域自适应技术纳入到训练过程中,我们的系统能够在模拟中学习自适应策略,然后可以快速适应现实世界的部署。为了证明我们的系统的有效性,我们训练一个18自由度的四足机器人执行各种敏捷的行为,从不同的运动步态动态跳跃和转弯。
2020-07-21 cs.LG cs.RO
Reinforcement Learning from Wild Animal Videos
LAAS-CNRS;Université de Toulouse(图卢兹大学);CNRS(法国国家科学研究中心);Artificial and Natural Intelligence Toulouse Institute(图卢兹人工与自然智能研究所)
本文提出RLWAV方法,通过训练视频分类器识别野生动物视频中的动作,并以分类分数为奖励训练多技能策略,实现四足机器人在无参考轨迹下学习行走、跳跃等技能。
2024-12-05 cs.CV cs.LG cs.RO
Time to Play: Simulating Early-Life Animal Dynamics Enhances Robotics Locomotion Discovery
Adaptive & Intelligent Robotics Lab, Imperial College London, United Kingdom(智能适应机器人实验室,帝国理工学院伦敦分校);Evolutionary Biomechanics Laboratory, Imperial College London, United Kingdom(进化生物力学实验室,帝国理工学院伦敦分校)
受动物发育变化启发,提出SMOL课程动态调节机器人执行器强度,集成至MAP-Elites框架中,通过模拟生长过程提升机器人运动的性能与多样性。
2025-09-15 cs.NE cs.RO
Robotics for poultry farming: challenges and opportunities
Ataturk University, Faculty of Veterinary Medicine(阿塔图尔克大学兽医学院);School of Engineering and Materials Science, Queen Mary University of London(伦敦大学玛丽皇后学院工程与材料科学学院)
本综述梳理家禽养殖机器人的现有进展、局限与未来方向,介绍其多领域应用,指出其可助力生产与福利提升并推动行为学研究。
2023-11-09 cs.RO
Automated Analysis of Behavioural Variability and Filial Imprinting of Chicks (G. gallus), using Autonomous Robots
EPFL(洛桑联邦理工学院);ULB(布鲁塞尔自由大学);Univ Paris Diderot(巴黎第七大学);Sorbonne Universités(索邦大学);UPMC Univ Paris 06(巴黎第六大学);CNRS(法国国家科学研究中心);Institute of Intelligent Systems and Robotics(智能系统与机器人研究所)
个体间的变异性对动物的社会行为有着不同的影响。这意味着不仅要研究集体行为,而且要研究组成群体的每个成员的行为变异性。为了了解这些对群体行为的影响,我们开发了一种基于自动行为图和自主机器人的定量方法来研究社会动物之间的个体间变异。我们选择\textit{Gallus gallus domesticus}雏鸡作为一个经典的社会动物模型系统,因为它们适合于实验室和对照实验。此外,即使是家鸡目前的社会结构暗示形式或领导和子女的印记。我们在自主机器人上开发了一种印记方法,以研究自由移动动物的个体和社会行为。这可以量化大量动物的行为。我们开发了一种自动化的实验方法,可以进行相对快速的受控实验和有效的数据分析。我们的分析基于高通量数据,可以对个体行为特征进行精细量化。我们量化了各种最先进的算法的效率,以自动化数据分析和自动生成行为图。我们表明,使用机器人可以提供控制和量化的刺激,在没有人为干预的动物。我们量化的205小鸡从孵化后同步受精的个人行为。我们的研究结果表明,个人行为和印记质量和成功的高度可变性。三类鸡被观察到具有不同水平的印记。我们的研究表明,同时使用自主机器人和自动化的行为图可以在受控实验室实验中对动物的行为模式进行详细和定量的分析。
2015-09-07 cs.LG cs.RO physics.bio-ph
Flappy Hummingbird: An Open Source Dynamic Simulation of Flapping Wing Robots and Animals
Purdue University(普渡大学)
昆虫和蜂鸟表现出非凡的飞行能力,可以同时掌握看似矛盾的目标:稳定的悬停和积极的机动,这是小型人造车辆无法比拟的。扑翼微型飞行器(FWMAVs)在缩小这一性能差距方面有很大的希望。然而,由于各种限制,这种系统的设计和控制仍然具有挑战性。在这里,我们提出了一个开源的高保真度动态仿真FWMAV的设计,优化和飞行控制的FWMAV作为一个测试平台。为了进行仿真验证,我们在仿真中重新创建了我们实验室开发的蜂鸟规模机器人。进行系统辨识,得到模型参数。通过仿真和实验飞行,对飞机的力产生、开环和闭环动态响应进行了比较和验证。非定常空气动力学和高度非线性的飞行动力学提出了具有挑战性的控制问题的传统和学习控制算法,如强化学习。模拟界面与OpenAI Gym环境完全兼容。作为基准研究,我们提出了一个线性控制器的悬停稳定和深度强化学习控制策略的目标导向机动。最后,我们展示了直接模拟到真实的传输到物理机器人的控制策略,进一步证明了仿真的保真度。
2019-02-25 cs.AI cs.LG cs.RO
The HAPPY HEDGEHOG Project
School of Business FHNW(瑞士西北应用科学与艺术大学商学院)
针对传统服务机器人伤害野生动物的问题,本文介绍了能识别刺猑并暂停工作以保护它们的机器人割草机原型 HAPPY HEDGEHOG (HHH),重点探讨了其导航、热成像与图像识别技术及改进方向。
2023-08-30 cs.AI cs.RO
A Soft Robotic Interface for Chick-Robot Affective Interactions
Queen Mary University of London(伦敦玛丽女王大学);School of Biological and Behavioural Sciences, Queen Mary University of London(伦敦玛丽女王大学生物与行为科学学院)
本文提出了一种以动物为中心的柔软机器人情感接口,用于新生鸡的机器人情感互动研究,通过温度、呼吸样变形和面孔状视觉刺激等安全可控的提示,评估鸡对接口的接受度及与机器人互动。
2026-04-09 cs.HC cs.RO
Learning Terrain-Adaptive Locomotion with Agile Behaviors by Imitating Animals
Tencent Robotics X Laboratory(腾讯Robotics X实验室)
本文提出一种结合动物运动模仿学习与地形自适应训练的四足机器人控制框架,并在真实机器人Max上实现零样本迁移,爬楼梯速度达1.1 m/s。
2023-08-07 cs.RO
A Biomimetic Vocalisation System for MiRo
University of Sheffield(谢菲尔德大学)
人们对在陪伴和宠物治疗等应用中使用动物机器人越来越感兴趣。然而,在大多数情况下,模仿给定动物的只是机器人的物理外观。相比之下,MiRo是第一个基于模拟生物大脑的硬件和软件架构的商业仿生机器人。本文介绍了如何MiRo的发声系统的设计,不使用预先录制的动物的声音,但基于实施的实时参数通用哺乳动物声乐合成器量身定制的机器人的特定物理特性。新颖的结果是为MiRo创建了一个“适当”的声音,与机器人的物理和行为功能完全一致,从而避免了“恐怖谷”效应,并为MiRo作为交互设备的有效性做出了巨大贡献。
2017-05-15 cs.RO cs.SD
Quantifying the biomimicry gap in biohybrid robot-fish pairs
École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);Université de Toulouse III – Paul Sabatier(图卢兹第三大学-保罗萨巴蒂埃大学);CNRS(法国国家科学研究中心)
本研究通过生物混合机器鱼与真实鱼对比实验,量化仿生差距,证明神经网络控制的仿生诱饵能有效模拟鱼群社会互动,强调全面验证的重要性。
2024-03-17 cs.LG cs.RO q-bio.QM
Hierarchical Reinforcement Learning of Locomotion Policies in Response to Approaching Objects: A Preliminary Study
Brown University(布朗大学)
兔子和鸟等动物可以立即产生运动行为,以响应动态的、接近的物体,例如人或岩石,尽管可能以前从未见过该物体并且对该物体的属性的感知有限。最近,深度强化学习已经使复杂的运动学系统,如人形机器人,成功地从A点移动到B点。受自然界中动物先天反应行为观察的启发,我们希望将机器人运动的这一进展扩展到外部动态对象的设置,这些对象的属性对机器人来说是部分可观察的。作为实现这一目标的第一步,我们在MuJoCo中构建了一个仿真环境,在这个环境中,有足式机器人必须避免被一个球击中。我们探讨了动物通常拥有的先前运动经验是否有利于在一个拟议的分层强化学习框架下学习反应控制策略。初步结果支持这样的说法,即使用这种分层强化学习方法,即使考虑到部分可观测性(基于半径的对象可见性),学习也变得更有效。
2022-03-20 cs.LG cs.RO
On the Origins of Self-Modeling
自我建模是一个过程,通过这个过程,一个代理,如动物或机器,学习创建一个预测模型,它自己的动态。一旦被捕获,这个自我模型就可以允许智能体使用自我模型在内部计划和评估各种潜在的行为,而不是使用昂贵的物理实验。在这里,我们量化了这种自建模对机器人复杂性的好处。我们发现机器人的自由度的数量之间的R2 =0.90的相关性,以及与直接学习基线相比,自建模的附加值。这一结果可能有助于激励越来越复杂的机器人系统中的自我建模,并揭示了动物和人类自我建模的起源,最终是自我意识。
2022-09-05 cs.AI cs.LG cs.RO
SKOOTR: A SKating, Omni-Oriented, Tripedal Robot
University of Michigan(密歇根大学);Museum of Zoology, University of Michigan(密歇根大学动物博物馆)
针对三足机器人转向受限与步态低效问题,提出兼具摩擦与滚动接触及自由旋转中心球体的SKOOTR,实现多步态、转弯、越障和爬梯,开源且成本约500美元。
2024-02-06 cs.RO
Social Robots As Companions for Lonely Hearts: The Role of Anthropomorphism and Robot Appearance
Seoul National University(首尔大学)
本研究通过实验揭示孤独感对社交机器人拟人化的影响因外观而异,动物型机器人虽整体拟人化更高,但孤独者更倾向拟人化人类型,且拟人化通过喜爱度促进购买意愿,为设计孤独者伴侣机器人提供启示。
2023-07-04 cs.HC cs.RO
CineWild: Balancing Art and Robotics for Ethical Wildlife Documentary Filmmaking
Service Robotics Lab, Universidad Pablo de Olavide(帕布罗·德·奥拉维德大学服务机器人实验室);Instituto de Investigación en Ingeniería de Aragón, Universidad de Zaragoza(阿拉贡工程研究所,萨拉戈萨大学)
本文提出 CineWild 自主无人机框架,基于模型预测控制协同优化飞行路径与相机参数,在保障野生动物福利的同时实现高质量纪录片拍摄。
2026-11-13 cs.MM cs.RO
Cognition-inspired homeostasis can balance conflicting needs in robots
Lancaster University in Leipzig(莱比锡兰卡斯特大学);University of York(约克大学);University of Sunderland(桑德兰大学)
稳态使动物存活;这是一个基本的过程,使动物能够迅速适应环境。人工稳态可以用来帮助机器人适应不断变化的环境。以前为机器人开发人工稳态的尝试是通过模仿驱动人类稳态的生化机制来驱动的。通过从认知的角度考虑稳态,我们开发了一个相对简单的机器人控制器名为CogSis(COGESHOMEostaSIS),并证明它可以提供稳态的机器人,即使有冲突的需求。我们目前的实验表明,运行CogSis的机器人能够从以前的经验中学习,并利用它们来影响未来的行为;可以保持其充电水平,同时参加另一项任务(在与充电站分开的区域中加热自己);并且能够保持其充电水平,同时避免冲突的需要(保持凉爽,当充电站放置在环境的炎热区域时)。结果在模拟和从一个真正的机器人平台。
2022-09-27 cs.RO
Oncilla robot: a versatile open-source quadruped research robot with compliant pantograph legs
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Maastricht University(马斯特里赫特大学);Ghent University(根特大学);Bielefeld University(比勒费尔德大学)
我们提出了Oncilla机器人,一种新型的移动,四足步行机。这只大猫大小,5.1机器人是一种最近,生物启发足式机器人类设计与无模型运动控制的能力。动物在崎岖地形中的腿运动显然是由传感器反馈系统塑造的。Oncilla机器人的结果表明,在某种程度上没有感觉信号的情况下,敏捷和灵活的运动是可能的,并且当添加反馈控制时,跟踪变得鲁棒(Ajaoolleian 2015)。通过结合来自动物的机械和控制蓝图,并通过观察由此产生的机器人运动特性,我们的目标是了解单个组件的贡献。足式机器人具有广泛的机械和控制设计参数空间,并且作为研究生物力学和腿运动控制原理的研究工具具有独特的潜力。但硬件和控制器设计可能是学术研究的一个陡峭的初始障碍。为了方便足式机器人的启动和开发,Oncilla-robot的蓝图可以通过开源获得。[...]
2018-06-16 cs.RO
Autonomous Sea Turtle Robot for Marine Fieldwork
本文提出了一种受海龟启发的自主水下机器人,通过集成视觉驱动控制栈,实现了仿生运动与现场可用自主性的结合,展示了在复杂环境中稳定操作和可靠跟踪的能力。
2026-02-24 cs.RO
Distributed Recurrent Neural Forward Models with Synaptic Adaptation for Complex Behaviors of Walking Robots
Institute for Physics - Biophysics, George-Agust-University(乔治-奥古斯特大学物理-生物物理研究所);Bernstein Center for Computational Neuroscience, George-Agust-University(乔治-奥古斯特大学伯恩斯坦计算神经科学中心);Riken Brain Science Institute(理化学研究所脑科学研究所);Maersk Mc-Kinney Moller Institute, University of Southern Denmark(南丹麦大学马士基·麦金尼·穆勒研究所)
行走的动物,如竹节虫,蟑螂或蚂蚁,展示了一系列迷人的运动能力和复杂的行为。运动行为可以包括各种行走模式以及适应,使动物能够应对环境条件的变化,如不平坦的地形,间隙,障碍物等。生物学研究表明,这种复杂的行为是生物力学和神经机制相结合的结果,从而代表了体现相互作用的真正本质。虽然生物力学有助于保持灵活性和维持各种运动,但神经机制在产生运动的同时,做出对实现适应至关重要的适当预测。这种预测或提前计划可以通过基于动物整体行为的内部模型来实现。受这些发现的启发,我们在这里提出了一种人工生物启发步行系统,该系统有效地将生物力学(在身体和腿部结构方面)与潜在的神经机制相结合。神经机制包括:1)基于中央模式发生器的控制,用于产生基本的节奏模式和协调运动,2)分布式(在每个分支处)基于递归神经网络的自适应前向模型,其具有作为用于感觉预测和瞬时状态估计的内部模型的传出副本,以及3)搜索和高度控制,用于使单个腿的运动适应于处理不同的环境条件。使用模拟,我们表明,这种具有自适应内部模型的生物启发方法允许步行机器人执行在昆虫中观察到的复杂的loco- motive行为,包括在起伏的地形上行走,穿越大的间隙以及爬过高障碍物。
2015-06-11 cs.NE cs.RO q-bio.NC