MetaLoco：基于元强化学习与运动模仿的通用四足 locomotion 控制
MetaLoco: Universal Quadrupedal Locomotion with Meta-Reinforcement Learning and Motion Imitation
AI总结：
本文提出基于元强化学习与运动模仿的通用四足运动控制方法，通过记忆单元实现跨平台零样本泛化，无需微调，实验验证其有效性与适应性。
摘要：
这项工作提出了一种元强化学习方法，旨在开发一种通用的运动控制策略，能够跨多种四足平台实现零样本泛化。所提出的方法训练一个配备记忆单元的强化学习智能体，利用一小组合成生成的四足机器人来模仿参考运动。通过全面的仿真和真实世界硬件实验，我们证明了该方法在无需针对特定机器人进行微调的情况下，实现各种机器人运动的能力。此外，我们强调了记忆单元在实现泛化、促进对机器人属性变化的快速适应以及提高样本效率方面的关键作用。
英文摘要：
This work presents a meta-reinforcement learning approach to develop a universal locomotion control policy capable of zero-shot generalization across diverse quadrupedal platforms. The proposed method trains an RL agent equipped with a memory unit to imitate reference motions using a small set of procedurally generated quadruped robots. Through comprehensive simulation and real-world hardware experiments, we demonstrate the efficacy of our approach in achieving locomotion across various robots without requiring robot-specific fine-tuning. Furthermore, we highlight the critical role of the memory unit in enabling generalization, facilitating rapid adaptation to changes in the robot properties, and improving sample efficiency.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
