【技术实现步骤摘要】
本专利技术属于机器人控制，涉及一种基于深度强化学习的四足机器人运动控制方法。
技术介绍
1、随着当前机器人控制技术的不断发展，四足机器人的应用也逐渐广泛。相比轮式、履带式机器人，四足机器人具有较高的自由度，离散的落足点等特点，在复杂地形作业方面展现了巨大优势，可以广泛应用于搜救、侦察、工业巡检、未知环境探索等领域。
2、然而，四足机器人的高自由度同时也给运动控制带来了极大的挑战。近些年来，有许多基于模型的方法被应用于四足机器人的运动控制问题，但这类控制方法往往需要对各种场景精心设计，但也难以避免出现边界情况(corner cases)。相比之下，强化学习方法能够通过试错自主地学习一个运动控制器，该运动控制能够在多种场景下取得较好的控制效果。这种方法往往需要先在仿真器中进行训练，之后部署在现实的四足机器人上。但由于大多数仿真器无法完全模拟现实环境的复杂性，这些控制器在从仿真到现实的迁移(sim-to-real transfer)过程中往往会有比较大的性能损失。
技术实现思路
1、...
【技术保护点】
1.一种基于深度强化学习的四足机器人运动控制算法，具体步骤如下：
2.根据权利要求1所述的一种基于深度强化学习的四足机器人运动控制算法，其特征在于：步骤S1具体包括以下步骤：
3.根据权利要求2所述的一种基于深度强化学习的四足机器人运动控制算法，其特征在于：步骤S11中产生的模型由一个统一机器人描述格式文件描述，使用有接触的多关节动力学对机器人模型进行模拟。
4.根据权利要求1所述的一种基于深度强化学习的四足机器人运动控制算法，其特征在于：步骤S2具体包括以下步骤：
5.根据权利要求4所述的一种基于深度强化学习的四足机器...
【技术特征摘要】
1.一种基于深度强化学习的四足机器人运动控制算法，具体步骤如下：
2.根据权利要求1所述的一种基于深度强化学习的四足机器人运动控制算法，其特征在于：步骤s1具体包括以下步骤：
3.根据权利要求2所述的一种基于深度强化学习的四足机器人运动控制算法，其特征在于：步骤s11中产生的模型由一个统一机器人描述格式文件描述，使用有接触的多关节动力学对机器人模型进行模拟。
4.根据权利要求1所述的一种基于深度强化学习的四足机器人运动控制算法，其特征在于：步骤s2具体包括以下步骤：
5.根据权利要求4所述的一种基于深度强化学习的四足机器人运动控制算法，其特征在于：步骤s21中的状态空间包括机器人线...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。