研究通过有效的学习方法改善四足边界

控制训练和部署的架构和工作流程，包括预拟合和深度强化学习（DRL）两部分。训练后，模型直接部署在真实机器人上

在IET网络系统和机器人学杂志特刊上发表的一项研究中，浙江大学的研究人员在腿部机器人运动和控制方面经验丰富，使用来自传统基于模型的控制器操作的机器人的数据预先训练神经网络（NN）。

在预训练之后，该团队实施了深度强化学习（DRL），这是一种在腿部运动控制中引领潮流的基于学习的方法。

值得注意的是，设计了一个考虑接触点和相位的奖励函数，它加强了步态对称性和周期性，最终改善了边界性能。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，展示了高效的计算和出色的运动结果。发现为Jueying Mini机器人开发的控制方法在模拟和现实环境中都能产生强大的边界步态。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（如摄像头或LiDAR系统）集成。虽然这些在当前的研究中没有使用，但它们可以提供更准确的机器人定位和导航，以便在不同地形上进行边界。

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）来提高两足机器人的稳定性，特别是在高速操作期间。两足机器人越来越多地在各行各业中使用，随着速度的增加，它们在平衡和干扰抑制方面苦苦挣扎。

新开发的CMG援助策略增强了他们抵抗冲击和快速恢复平衡的能力。仿真结果验证了CMGs在显著提高机器人稳定性方面的有效性。CMG的这种创新使用代表了两足机器人的飞跃，计划进一步集成CMG，以提高高动态运动中的实际性能。