【资料图】

在IETCyber​​-SystemsandRobotics杂志特刊上发表的一项研究中，浙江大学的研究人员在腿式机器人运动和控制方面经验丰富，利用来自传统模型控制器操作的机器人的数据对神经网络(NN)进行了预训练。

这种预训练是防止行为覆盖和奖励黑客的初步措施，在这种情况下，代理意外地获得了奖励，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。预训练结束后，团队实施了深度强化学习(DRL)，这是一种基于学习的引领趋势的腿部运动控制方法。

值得注意的是，奖励函数的设计考虑了接触点和阶段，这增强了步态的对称性和周期性，最终提高了弹跳性能。开发的DRL方法最初是在模拟环境中学习的，然后成功部署在真正的四足机器人JueyingMini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，展示了高效的计算和出色的运动结果。研究发现，为绝影迷你机器人开发的控制方法在模拟和现实环境中都能产生稳健的弹跳步态。这对于增强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巨大的意义。

该研究的下一步涉及将当前方法与环境感知工具(例如相机或激光雷达系统)相结合。虽然当前的研究中没有使用这些，但它们可以提供更准确的机器人定位和跨越不同地形的导航。

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，特别是在高速操作期间。双足机器人越来越多地应用于各行各业，随着速度的增加，它们在平衡和干扰抑制方面遇到了困难。

新开发的CMG辅助策略增强了他们抵抗冲击和快速恢复平衡的能力。仿真结果证实了CMG在显着增强机器人稳定性方面的有效性。CMG的这种创新使用代表了双足机器人技术的飞跃，并计划进一步集成CMG以提高高动态运动中的实际性能。