Bipedal Hopping: Reduced-order Model Embedding via Optimization-based Control
California Institute of Technology（加州理工学院）
本文介绍了三维双足机器人Cassie跳跃控制的设计和验证。一个弹簧质量模型被确定从机器人的运动学和遵守。弹簧刚度和阻尼由腿长度封装，因此致动腿长度可以创建和控制跳跃行为。通过直接配置的轨迹优化弹簧质量模型进行规划跳跃和着陆运动。腿长轨迹被用作期望的输出来合成基于控制李雅普诺夫函数的二次规划（CLF-QP）。质心角动量作为CLF-QP的附加输出，在跳跃阶段也是稳定的，以防止在欠驱动飞行阶段的整个身体旋转。CLF-QP的解决方案是一个非线性反馈控制法律，实现动态跳跃行为的双足机器人的顺应性。本文提出的框架进行了实验验证的两足机器人卡西。
2018-08-03 cs.RO
CDM-MPC: An Integrated Dynamic Planning and Control Framework for Bipedal Robots Jumping
Harbin Institute of Technology（哈尔滨工业大学）；Beijing Institute for General Artificial Intelligence (BIGAI)（北京通用人工智能研究院）；Soochow University（苏州大学）
提出集成质心动力学 MPC、运动动力学规划、IK 求解与着陆控制的 CDM-MPC 框架，并在 KUAVO 机器人的仿真和实验中验证其动态跳跃性能。
2024-05-20 cs.RO
STRIDE: An Open-Source, Low-Cost, and Versatile Bipedal Robot Platform for Research and Education
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
本文提出开源低成本双足机器人平台 STRIDE，通过模块化设计、可重构地形与定量扰动系统，并结合自适应逐步动力学行走控制器，为双足机器人研究与教育提供多功能评估平台。
2024-07-02 cs.RO
Design and Experimental Verification of a Jumping Legged Robot for Martian Lava Tube Exploration
Autonomous Robots Lab, NTNU（挪威科技大学自主机器人实验室）
针对火星熔岩管探测需求，研究人员设计了一款腿部构型可适配双足/四足系统、采用五杆机构加弹簧结构的跳跃式足式机器人，经实验与仿真验证其在地球和火星重力下均具备较强跳跃能力，适用于低重力障碍环境探测。
2023-11-07 cs.RO
Bipedalism for Quadrupedal Robots: Versatile Loco-Manipulation through Risk-Adaptive Reinforcement Learning
Carnegie Mellon University（卡内基梅隆大学）；Mitsubishi Electric Research Labs (MERL)（三菱电机研究实验室（MERL））
针对四足机器人移动操作中腿臂冲突问题，提出风险自适应分布式强化学习框架，使其以后腿双足行走并解放前腿，仿真与 Unitree Go2 实验验证了性能、多功能性和鲁棒性。
2025-07-27 cs.LG cs.RO
Bayesian Optimization Meets Hybrid Zero Dynamics: Safe Parameter Learning for Bipedal Locomotion Control
University of California, Berkeley（加州大学伯克利分校）
在本文中，我们提出了一个多域控制参数学习框架，结合贝叶斯优化（BO）和混合零动态（HZD）的双足机器人的运动控制。我们利用BO来学习基于HZD的控制器中使用的控制参数。学习过程首先部署在仿真中，以优化不同的控制参数，为一个大的剧目的步态。接下来，为了解决模拟与现实世界之间的差异，将学习过程应用于物理机器人，以学习对模拟中学习的控制参数的校正，同时还考虑步态稳定性的安全约束。该方法在真实世界中使用少量样本实现了有效的模拟到真实的转换，并且不需要有效的控制器来初始化仿真中的训练。我们提出的学习框架进行了实验部署和验证的双足机器人卡西执行多功能的运动技能，提高性能的平滑步行步态和减少稳态跟踪误差。
2022-03-04 cs.AI cs.RO cs.SY
Impact Invariant Control with Applications to Bipedal Locomotion
University of Pennsylvania（宾夕法尼亚大学）
当足式机器人冲击它们的环境时，它们在很短的时间内经历它们的速度的大的变化。测量这些速度并将反馈应用于这些速度是一项挑战，而且由于撞击模型和撞击时间的不确定性而更加复杂。这项工作提出了一个通用的框架，用于适应反馈控制的影响，通过投影的控制目标的子空间是不变的影响事件。所得到的控制器是鲁棒的不确定性的影响事件，同时保持最大的控制权的影响不变的子空间。我们演示了实用的投影上的步行控制器的平面五连杆的机器人和跳跃控制器的兼容的3D双足机器人，卡西。我们的方法的有效性被证明是很好的翻译硬件。
2021-10-01 cs.RO
Agile and versatile bipedal robot tracking control through reinforcement learning
受生物平衡与运动模式解耦的启发，研究提出基于模型IK求解器与强化学习的双足机器人通用控制器，以单步为最小控制单元结合三阶段训练，实现多步态轨迹跟踪与灵活平衡，经仿真验证有效。
2024-04-12 cs.LG cs.RO
Ascento: A Two-Wheeled Jumping Robot
ETH Zurich（苏黎世联邦理工学院）
地面移动机器人在复杂的室内环境中的应用要求其具有较高的速度和灵活性。这些都是移动机器人领域的一个持续挑战。具有这些规格的系统将非常适合各种室内检测任务。本文介绍了Ascento，一个紧凑的轮式双足机器人，能够在平坦的地形上快速移动，并通过跳跃克服障碍。介绍了系统的机械设计和总体架构，以及针对不同场景开发的各种控制器。最终原型系统的一系列实验验证了这些行为在现实场景中。
2020-05-23 cs.RO
Learning Multimodal Bipedal Locomotion and Implicit Transitions: A Versatile Policy Approach
University of Southern California（南加州大学）
本文提出利用自动编码器潜在编码与自适应采样训练单一多模态双足运动策略，并结合任务规划器在复杂地形上快速生成平滑过渡的类跑酷动作。
2023-08-12 cs.RO
PARC: Physics-based Augmentation with Reinforcement Learning for Character Controllers
Simon Fraser University（西蒙 Fraser大学）；NVIDIA（英伟达）
PARC通过机器学习与物理模拟迭代扩充运动数据并训练跟踪控制器，解决敏捷地形穿越动作数据稀缺问题，生成更敏捷、多功能的角色控制器。
2025-05-06 cs.AI cs.GR cs.LG
Rough-Terrain Locomotion and Unilateral Contact Force Regulations With a Multi-Modal Legged Robot
Northeastern University（东北大学）
尽管足式机器人的设计者取得了许多成就，但最先进的双足机器人容易摔倒，不能通过极其粗糙的地形，也不能直接调节单侧接触力。我们的目标是在一个平台上集成腿式和空中机器人的优点。我们将表明，在一个双足足式机器人称为哈比的推进器可以利用稳定的机器人的正面动力学，并允许跳过大的障碍，这是一个不寻常的能力没有报道过。此外，我们将利用Harpy中的推进器动作，并将表明可以通过使用参考调速器（RGs）直接调节接触力来避免使用昂贵的基于优化的方案。我们将解决步态参数，并重新规划他们在步态周期只假设良好的调整监督控制器。然后，我们将专注于基于RG的微调关节所需的轨迹，以满足单边接触力的约束。
2021-03-29 cs.RO cs.SY eess.SY
Design of a 3-DOF Hopping Robot with an Optimized Gearbox: An Intermediate Platform Toward Bipedal Robots
Humanoid Robot Research Center, School of Mechanical, Aerospace & Systems Engineering, Department of Mechanical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（人形机器人研究中心、机械航空航天与系统工程学院、机械工程系、韩国科学技术院）
本研究设计了一款带定制优化齿轮箱的3-DOF类人下肢跳跃机器人，采用强化学习控制器，经实验验证可稳定重复跳跃，为双足机器人研发提供中间试验平台。
2025-05-21 cs.RO
Design and Control of a Bio-inspired Wheeled Bipedal Robot
Xi’an Jiaotong-Liverpool University（西交利物浦大学）；University of Liverpool（利物浦大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出一种仿人杠铃深蹲的仿生轮式双足机器人设计与基于HV-wLIP、CLF和全身动力学的控制器，实验证明其具备深蹲、质心速度跟踪及抗扰动和未知地形能力。
2024-07-16 cs.RO cs.SY eess.SY
Highly dynamic locomotion control of biped robot enhanced by swing arms
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Hong Kong Institute of Science & Innovation, Chinese Academy of Sciences（中国科学院香港创新研究院）；University of Chinese Academy of Sciences（中国科学院大学）
从生物力学的角度来看，摆臂具有较大的角动量控制空间，对双足机器人实现高动态运动具有不可替代的作用。由于缺乏合适的运动控制策略来完美地集成建模和控制，很少有双足机器人利用摆臂及其多自由度冗余特性。提出了一种将双足机器人建模为飞轮-弹簧加载倒立摆（F-SLIP）提取摆臂特征并利用全身控制器（WBC）实现这些特征的控制策略，并针对双足机器人的高动态运动提出了一种包括敏捷性、稳定性和能耗3个方面的评价体系。设计了多组仿真实验，并根据评价体系分析了双足机器人Purple（紫气东来）V1.0在跳跃运动中摆臂的作用。结果表明，紫色的敏捷性提高了10%以上，稳定时间减少了2倍，能量消耗减少了20%以上。
2022-08-17 cs.RO
SRL: Combining SLIP Model and Reinforcement Learning for Agile Robotic Jumping
Institute of Artificial Intelligence, Shanghai University（上海大学人工智能研究院）；Institute of Machine Intelligence, University of Shanghai for Science and Technology（上海理工大学机器智能研究院）
提出SRL框架，融合SLIP模型的物理基线与强化学习的自适应能力，通过前馈控制信号与实时反馈优化机器人跳跃，显著减少训练时间并保持高精度跟踪。
2026-06-18 cs.RO
A Unified Model with Inertia Shaping for Highly Dynamic Jumps of Legged Robots
Imperial College London（伦敦帝国理工学院）；University of Edinburgh（爱丁堡大学）
为了实现足式机器人的高动态跳跃，必须控制机器人的旋转动力学。在本文中，我们的目标是提高跳跃性能，提出了一个统一的模型规划高度动态跳跃，可以近似模型的质心惯性。这个模型抽象的机器人作为一个单一的刚体的基础和点质量的腿。该模型被称为块状腿单刚体模型（LL-SRBM），可用于规划两足和四足机器人的运动。通过考虑腿动力学的影响，LL-SRBM提供了一个计算效率高的方式，运动规划器来改变质心惯性的机器人与各种腿配置。同时，我们提出了一种新的接触检测方法，通过使用平均空间速度的范数。在检测到接触之后，控制器切换到力控制以实现软着陆。两足机器人SLIDER和四足机器人ANYmal的扭转跳跃和前向跳跃实验表明，通过主动改变质心惯性，跳跃性能得到了改善。这些实验也显示了综合规划和控制框架的通用性和鲁棒性。
2021-09-09 cs.RO cs.SY eess.SY
Towards Quadrupedal Jumping and Walking for Dynamic Locomotion using Reinforcement Learning
Autonomous Robots Lab, NTNU（自主机器人实验室，挪威特罗姆瑟大学）
本文提出基于课程学习的强化学习框架，为四足机器人Olympus训练高性能跳跃与行走策略，通过奖励稠密化、参考状态初始化等方法提升性能，实现厘米级精度的1.25米水平跳与1.0米垂直跳，且可拓展至全向跳跃，有效跨越Sim2Real鸿沟。
2025-10-28 cs.RO
Trunk Pitch Oscillations for Energy Trade-offs in Bipedal Running Birds and Robots
Max Planck Institute of Intelligent Systems（马克斯·普朗克智能系统研究所）
双足动物有不同的形态和先进的运动能力。陆生鸟类，特别是显示敏捷，高效，和强大的运行运动，其中他们利用身体部分的质量和惯性矩之间的相互作用。另一方面，大多数足式机器人不能产生这种通用的和节能的运动，往往忽视躯干运动作为一种手段，以提高他们的运动能力。最近的研究调查了躯干运动如何影响人类的步态特征，但缺乏对不同两足动物形态的分析。为了解决这个问题，我们分析了鸟类运行的基础上，弹簧加载倒立摆模型与pronograde（水平）树干。我们使用一个虚拟的基于点的控制方案和修改地面反作用力的对齐，以评估我们的控制策略如何影响躯干俯仰振荡和运动的能量。我们得出三个潜在的关键策略，以利用躯干俯仰运动，最大限度地减少能量波动的质量中心或髋关节和腿所做的工作。我们建议如何将这些策略用于腿式机器人。
2020-02-13 cs.RO
Versatile, Robust, and Explosive Locomotion with Rigid and Articulated Compliant Quadrupeds
Cognitive Robotics, Delft University of Technology（代尔夫特理工大学认知机器人学系）；University of Trento（特伦托大学）；University of Manchester（曼彻斯特大学）；Institute of Robotics and Mechatronics, German Aerospace Center (DLR)（德国航空航天中心机器人与机电一体化研究所）
针对并联柔顺四足机器人控制难题，提出带躯干旋转的双足驱动弹簧加载倒立摆模板模型及双层轨迹优化流程，通过硬件实验验证其可生成多种动态运动，并联弹性能增强爆发性与鲁棒性。
2025-04-17 cs.RO
Jumping Control for a Quadrupedal Wheeled-Legged Robot via NMPC and DE Optimization
Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（机械与自动化工程系，香港中文大学）
本文提出了一种结合NMPC和DE优化的四足轮腿机器人跳跃控制方法，实现了多种跳跃动作并验证了其有效性。
2026-02-25 cs.RO
Versatile Real-Time Motion Synthesis via Kino-Dynamic MPC with Hybrid-Systems DDP
University of Notre Dame（圣母大学）；Robotics at Google（谷歌机器人部门）
四足机器人的跳跃等特殊运动通常通过一次性解决轨迹优化问题并使用跟踪控制器执行轨迹来实现。这种方法与通常通过在线重新规划来控制规则步态的模型预测控制（MPC）策略并行。在这项工作中，我们提出了一个非线性MPC（NMPC）技术，解锁的飞行重新规划的专门运动技能和定期运动在一个统一的框架内。NMPC的原因是关于一个混合kinodynamic模型，并解决了使用一个受约束的差分动态规划（DDP）求解器的变体。建议的NMPC使机器人能够执行各种敏捷的技能，如跳跃，跳跃和小跑，以及这些技能之间的快速转换。我们评估了所提出的算法与三个具有挑战性的运动序列，结合多种灵活的技能，在两个四足动物平台，Unitree A1，和麻省理工学院迷你猎豹，显示其有效性和通用性。
2022-09-28 cs.RO
Moving past point-contacts: Extending the ALIP model to humanoids with non-trivial feet using hierarchical, full-body momentum control
The Ohio State University（俄亥俄州立大学）；Sarcos Technology and Robotics Corp.（萨科斯技术与机器人公司）
本文提出结合任务空间全身动量控制器的 ALIP 规划框架，突破点接触与质心角动量可忽略假设，并在 Sarcos Guardian XO 仿真中验证其稳定双足行走能力。
2024-08-09 cs.RO cs.SY eess.SY
Model-Informed Safe Reinforcement Learning for Bipedal Locomotion via Step-to-Step Prediction
The Ohio State University（俄亥俄州立大学）
提出基于ALIP模板和DECBF安全证书的模型信息强化学习框架，通过训练整形和运行时动作过滤实现双足运动安全，实验表明减少安全违规但存在安全跟踪权衡。
2026-09-29 cs.RO
A Unified and General Humanoid Whole-Body Controller for Versatile Locomotion
Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Lab（上海人工智能实验室）
针对现有研究限制人形机器人运动学能力的问题，本文提出统一通用的全身控制器HugWBC，通过通用命令空间与先进训练技术实现多步态自定义及运动-操作结合，实验验证其高精度与鲁棒性，为首个该类控制器。
2025-04-12 cs.AI cs.RO
Explosive Jumping with Rigid and Articulated Soft Quadrupeds via Example Guided Reinforcement Learning
Cognitive Robotics, Delft University of Technology（德鲁夫特理工大学认知机器人实验室）；Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系）；Department of Industrial Engineering, University of Trento（特伦托大学工业工程系）；Institute of Robotics and Mechatronics, German Aerospace Center (DLR)（德国航空航天中心机器人与机电一体化研究所）
本文提出基于示例引导的深度强化学习方法，通过模仿轨迹优化示例并渐进训练，使刚性与并联弹性四足机器人实现多方向、可变距离的鲁棒跳跃，显著降低着陆误差、能耗和峰值扭矩。
2025-08-26 cs.RO
OGMP: Oracle Guided Multi-mode Policies for Agile and Versatile Robot Control
University of Southern California（南加州大学）
本文提出神谕引导的多模式策略优化方法，通过定义神谕先验和任务关键模式，使16自由度双足机器人HECTOR在模拟和现实中实现跑酷与跳水等敏捷控制，并成功迁移至真实机器人。
2024-09-18 cs.RO
Curriculum-Based Reinforcement Learning for Quadrupedal Jumping: A Reference-free Design
Delft University of Technology（代尔夫特理工大学）；Institute of Robotics and Mechatronics, German Aerospace Center (DLR)（德国航空航天中心机器人与机电一体化研究所）
提出一种无参考轨迹的课程式DRL框架，使四足机器人由原地跳逐步学习全向跳和越障，真实实验实现90厘米前跳并能在未训练的软草地连续跳跃。
2024-03-04 cs.RO
Agile Continuous Jumping in Discontinuous Terrains
University of Washington（华盛顿大学）；Carnegie Mellon University（卡内基梅隆大学）；Google Deepmind（谷歌DeepMind）
研究四足机器人在不连续地形中的敏捷连续跳跃问题，提出分层学习与控制框架，结合高度图预测、强化学习运动策略和模型控制器，实现Unitree Go1在楼梯和踏脚石上的连续跳跃并优于基线方法。
2024-09-20 cs.RO
Whleaper: A 10-DOF Flexible Bipedal Wheeled Robot
Whleaper是一种具有10自由度的双足轮式机器人，通过增加髋部自由度提升稳定性与灵活性，实现复杂地形中的稳定运动和障碍避让能力。
2026-03-12 cs.RO
Impact-Invariant Control: Maximizing Control Authority During Impacts
针对足式机器人动态碰撞时速度反馈控制难、碰撞不确定性影响大的问题，提出将控制目标投影到碰撞不变子空间的通用框架，在多类控制器和机器人上验证了性能优势，易部署且为实体机器人应用提供关键支撑。
2024-07-10 cs.RO
Capture Steps: Robust Walking for Humanoid Robots
University of Bonn（波恩大学）
稳定的双足行走是人形机器人发挥其在日常环境中成为多功能助手的潜力的关键先决条件。然而，双足行走是一种复杂的运动，需要许多自由度的协调，同时它也是固有的不稳定和对干扰敏感的。步行的平衡必须经常保持。控制平衡的最有效方法是适时和适当的恢复步骤--捕捉步骤--吸收从推动或绊倒中获得的支出势头。我们提出了一个双足步态生成框架，利用步骤的时间和脚的放置技术，以恢复平衡，即使在强烈的干扰。我们的框架修改下一个脚步的位置时，立即响应干扰，并产生可控的全向行走，只使用很少的传感和计算能力。我们利用开环稳定的中央模式产生的步态，以适应线性倒立摆模型所观察到的质心轨迹。然后，我们使用拟合模型来预测合适的脚步位置和时间，以便在遵循目标步行速度的同时保持平衡。我们的实验表明，迄今为止，人形机器人中最强的推动-恢复能力之一的定性和统计证据。
2020-11-05 cs.RO
Multi-segmented Adaptive Feet for Versatile Legged Locomotion in Natural Terrain
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；KU Leuven（鲁汶大学）
大多数足式机器人都是由串联安装的连杆和致动器构成的腿结构，并通过复杂的控制器和传感器反馈进行控制。相比之下，动物发展出多节腿，关节之间的机械耦合和多节足。它们在所有地形上都跑得很敏捷，可以说是用更简单的运动控制。在这里，我们专注于开发脚的机制，防止滑动和下沉，也在自然地形。我们提出了第一个结果的多段脚安装到一个鸟的启发机器人腿与多关节机械肌腱耦合。我们的单段和双段机械自适应脚在开始滑动之前在多个软硬基底上显示出增加的可行水平力。我们还观察到，分段脚减少下沉软基板相比，球脚和圆柱脚。我们报告如何多段脚提供了一个大范围的可行的压力点中心非常适合双足机器人，但也为四足机器人在斜坡和自然地形。我们的研究结果也提供了一个功能的理解分节脚的动物，如平胸鸟。
2023-02-08 cs.RO
Reconfigurable hydrostatics: Toward versatile and efficient load-bearing robotics
Elsevier
针对穿戴式和腿式机器人驱动在多功能性与效率间的矛盾，本文提出可重构静液压设计范式，通过集成被动力与共享机制，在机器人腿部实验中实现多功能负载跟踪且行走能耗降4.8倍，为高效承重机器人提供新方向。
2025-11-14 cs.RO cs.SY eess.SY
Unity RL Playground: A Versatile Reinforcement Learning Framework for Mobile Robots
School of Future Technology, Shanghai University（上海大学未来技术学院）
本文提出Unity RL Playground开源框架，基于Unity ML-Agents实现移动机器人多种运动任务的一键仿真训练、通用兼容与极限性能测试，并支持向真实硬件迁移。
2025-03-07 cs.LG cs.RO
Reactive Stepping for Humanoid Robots using Reinforcement Learning: Application to Standing Push Recovery on the Exoskeleton Atalante
Wandercraft；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Université Paris-Dauphine, PSL（巴黎多芬大学，巴黎文理研究大学）
最先进的强化学习现在能够在模拟中学习双足机器人的多功能运动，平衡和推动恢复能力。然而，现实的差距大多被忽视，模拟结果很难转移到真正的硬件。要么是由于物理学过于简化和忽略了硬件限制而在实践中不成功，要么是规则性得不到保证，可能会发生意外的危险运动。本文提出了一种强化学习框架，能够学习强大的站立推恢复的双足机器人，顺利地转移到现实中，只提供瞬时本体感受的意见。通过结合初始终止条件和策略平滑条件，我们实现了稳定的学习，仿真到现实迁移和安全使用的策略没有记忆，也没有显式的历史。然后，奖励工程被用来提供如何保持平衡的见解。我们展示了它的性能在现实中的下肢医疗外骨骼Atalante。
2022-07-31 cs.RO
Generalized Animal Imitator: Agile Locomotion with Versatile Motion Prior
UC San Diego（加州大学圣地亚哥分校）；CMU（卡内基梅隆大学）；USC（南加州大学）
本文提出VIM强化学习框架，通过模仿动物与人工设计动作并结合功能性与风格化双重奖励，使腿足式机器人能用单一控制器同时学习多种敏捷运动技能并实现平滑过渡。
2025-05-04 cs.AI cs.LG cs.RO
Crocoddyl: An Efficient and Versatile Framework for Multi-Contact Optimal Control
LAAS-CNRS（法国国家科学研究中心自动化、机器人与微电子实验室）；University of Edinburgh（爱丁堡大学）；The Alan Turing Institute（阿兰·图灵研究所）；University of Oxford（牛津大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；New York University（纽约大学）；INRIA（法国国家信息与自动化研究所）；ENS（巴黎高等师范学院）；CNRS（法国国家科学研究中心）；PSL Research University（巴黎文理研究大学）
我们介绍Crocoddyl（接触机器人控制差分动态库），一个开源的框架，为高效的多接触最优控制。Crocoddyl有效地计算状态轨迹和控制策略，为一个给定的预定义的接触序列。它的效率是由于使用稀疏的解析导数，开发的问题结构，和数据共享。它采用微分几何来正确描述任何几何系统的状态，例如浮基系统。此外，我们还提出了一种新的最优控制算法--柔性驱动微分动态规划（FDDP）。我们的方法不添加额外的决策变量，这通常会增加每次迭代的计算时间，由于因式分解。与经典的差分动态规划（DDP）算法相比，FDDP算法具有更好的全局化策略.具体来说，我们提出了两个修改经典的DDP算法。首先，向后传递接受不可行的状态控制轨迹。第二，在早期的“探索性”迭代中，卷展保持间隙开放（正如在只有等式约束的多次射击方法中所期望的那样）。我们展示了我们的框架使用不同的任务的性能。使用我们的方法，我们可以在几毫秒内计算高动态机动（例如跳跃，前空翻）。
2020-03-11 cs.RO math.OC
WoCoCo: Learning Whole-Body Humanoid Control with Sequential Contacts
ETH Zurich（苏黎世联邦理工学院）；Carnegie Mellon University（卡内基梅隆大学）
WoCoCo通过将任务分解为接触阶段，实现了无模型强化学习的全身人形顺序接触控制，无需运动先验，并在现实世界中完成了跑酷跳跃、箱子操作、舞蹈和攀爬等任务，且可推广至其他机器人。
2024-11-07 cs.GR cs.RO cs.SY
Learning and Adapting Agile Locomotion Skills by Transferring Experience
UC Berkeley（加州大学伯克利分校）；Berkeley AI Research（伯克利人工智能研究院）；Google Research（谷歌研究院）；Georgia Institute of Technology（佐治亚理工学院）；Simon Fraser University（西蒙菲莎大学）
本文提出一种从来源、目标和环境知识均可能不同的现有控制器迁移经验的框架，以缓解高维欠驱动腿足机器人的探索难题，并实现跳跃、后腿行走导航及真实世界安全部署。
2023-04-19 cs.AI cs.RO
Reinforcement Learning for Blind Stair Climbing with Legged and Wheeled-Legged Robots
École Polytechnique de Montréal（蒙特利尔理工学院）；ETH Zurich（苏黎世联邦理工学院）；Ascento Robotics（阿森托机器人公司）
本研究提出基于位置公式化强化学习和非对称演员-评论家结构的通用控制器，使腿式和轮腿式机器人实现盲攀爬楼梯，并成功让Ascento在现实世界攀爬15厘米楼梯。
2024-02-09 cs.RO
