在《IET网络系统与机器人》杂志特刊上发表的一项研究中，来自浙江大学的研究人员在腿式机器人的运动和控制方面经验丰富，他们利用传统基于模型的控制器操作的机器人数据对神经网络(NN)进行了预训练。
这种预训练是防止行为重写和奖励黑客的初步措施——代理意外获得奖励的情况，通常是由于优化无意中达到了局部最优，而不是预期的最优。在预训练之后，该团队实施了深度强化学习(DRL)，这是一种基于学习的腿部运动控制方法。
值得注意的是，设计了一个考虑接触点和相位的奖励函数，增强了步态的对称性和周期性，最终提高了边界性能。开发的DRL方法最初是在模拟环境中学习的，然后成功地部署在一个真正的四足机器人Jueying Mini上。
由此产生的运动在室内和室外的各种环境中进行了测试，证明了高效的计算和出色的运动结果。所开发的Jueying迷你机器人控制方法在仿真和现实环境中都能产生鲁棒的边界步态。这对于提高四足机器人在各种室内和室外环境中的敏捷性和适应性具有重要意义。
该研究的下一步是将当前的方法与环境感知工具(如摄像头或激光雷达系统)相结合。虽然这些在目前的研究中没有使用，但它们可以为机器人提供更准确的定位和导航，以跨越不同的地形。
在特刊上发表的另一项研究中，研究人员率先使用控制力矩陀螺仪(cmg)来提高双足机器人的稳定性，特别是在高速运行时。随着速度的提高，越来越多的双足机器人在平衡和抗扰方面遇到了困难。
新开发的CMG辅助策略增强了它们抵抗冲击和快速恢复平衡的能力。仿真结果证实了该系统在提高机器人稳定性方面的有效性。这种创新的cmg应用代表了两足机器人技术的飞跃，并计划进一步整合cmg，以提高高动态运动的实际性能。
更多信息:王志成等，基于预训练神经网络的鲁棒四足动物边界高效学习，IET网络系统与机器人技术(2022)。DOI: 10.1049 / csy2.12062
徐浩晨等，基于控制力矩陀螺仪的双足机器人行走和奔跑干扰抑制，IET网络系统与机器人技术(2022)。DOI: 10.1049/csy2.12070由浙江大学提供引文:研究用有效的学习方法改进四足动物的边界(2023,July 27)检索自https://techxplore.com/news/2023-07-quadruped-bounding-efficient-method.html。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
