基于深度强化学习的机器人运动控制

强化学习范式原则上允许复杂行为 直接从简单的奖励信号中学习。然而，在实践中，情况确实如此 常见的手工设计奖励功能，以鼓励特定的 解决方案，或从演示数据中导出。本文探讨了如何丰富 环境有助于促进复杂行为的学习。明确地 我们在不同的环境环境中培训代理人，并发现这鼓励了他们 在一系列任务中表现良好的稳健行为的出现。 我们为运动演示了这一原则——众所周知的行为 他们对奖励选择的敏感度。我们在一个平台上训练几个模拟物体 使用一个简单的奖励功能，可以设置各种具有挑战性的地形和障碍 基于向前的进展。使用一种新的可伸缩策略梯度变体 强化学习，我们的特工可以根据需要学习跑、跳、蹲和转身 在没有明确的基于奖励的指导的环境下。对……的视觉描绘 学习行为的要点可以在本视频中查看。

Continuous Control with Deep Reinforcement Learning持续控制与深度强化学习

我们将深度Q-Learning成功背后的理念与持续的 动作域。我们提出了一种基于确定性模型的无模型算法 可以在连续动作空间上操作的策略梯度。使用 同样的学习算法，网络结构和超参数，我们的算法 稳健地解决20多个模拟物理任务，包括经典 如手推车摆动、灵巧操作、腿部运动等问题 还有开车。我们的算法能够找到性能具有竞争力的策略 与那些发现的规划算法完全访问的动态 域及其衍生物的。我们进一步证明，对于许多 任务算法可以“端到端”学习策略：直接从原始像素输入。

MIT Cheetah 3四足机器人开源控制算法论文.pdf

MIT Cheetah 3四足机器人开源控制算法论文。文中提出了一种用于确定力矩控制四足机器人地面反作用力的模型预测控制（MPC）的实现方法。将机器人动力学简化为凸优化问题，同时仍能捕获系统的全三维特性。利用简化模型，地面反作用力规划问题的预测范围为0.5秒，并以20-30Hz的频率在1ms内求解至最优。尽管使用了简化模型，但该机器人能够在各种速度下进行稳健的运动。实验结果展示了对步态的控制，包括站立、小跑、飞跑、快步、跳跃、步速、三足步态和全3D疾驰。机器人的前进速度高达3米/秒，横向速度高达1米/秒，角速度高达180度/秒。我们的方法足够通用，可以使用相同的增益和权重集执行所有这些行为。

MIT mini cheetah四足机器人Highly Dynamic Quadruped Locomotion

文中提出了一种结合整体的控制器控制（WBC）和模型预测控制（MPC）。在里面的框架中，MPC找到了一个最佳的反作用力剖面在较长的时间范围内，使用简单的模型和WBC根据以下命令计算关节扭矩、位置和速度命令：根据MPC计算的反作用力。不同于现有的WBCs，试图跟踪指令的身体轨迹，我们的控制员更专注于反应部队指挥部，这使得它能够实现高速动态运动空中相位。新设计的WBC是集成的使用MPC，并在小型猎豹四足机器人上进行测试。为了证明鲁棒性和通用性，控制器在六种不同的步态下，以多种不同的方式进行测试环境，包括户外和跑步机上，达到最高速度为3:7 m=s。

基于STM32制作两轮自平衡小车.rar

基于STM32制作两轮自平衡小车资料，详细程序包带注释，亲测可用。 资料程序可实现两轮小车的自平衡功能（角度环+速度环）的函数， 保证让初学者能快速了解平衡小车的核心算法和函数。

新版计算机三级网络技术题库详解

新版计算机三级网络技术题库详解，选择题和应用综合题。完整的详细答案。子网掩码255.240.0.0转换成二进制是11111111.11110000.00000000.00000000。子网掩码中从第一位开始连续出现1的个数即为网络位个数。

matlab求最大李雅普诺夫Lyapunov指数程序

完整的Matlab计算程序，可以使用。李雅普诺夫指数是指在相空间中相互靠近的两条轨线随着时间的推移，按指数分离或聚合的平均变化速率。