Unitree Go1
PulseAugur coverage of Unitree Go1 — every cluster mentioning Unitree Go1 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的 Dyna 风格强化学习方法缩短了四足机器人训练时间
研究人员开发了一个新的 Dyna 风格框架，显著提高了四足运动强化学习（RL）的数据效率。通过整合一个学习到的转移模型来生成合成数据，该方法减少了稳定控制所需的模拟步数。在 Unitree Go1 机器人上的实验表明，仅需 1964 万次模拟步数即可收敛，相比之下，之前需要 2753 万次，训练时间减少了 12.24%，且策略性能并未受到影响。该框架的有效性在 ANYmal 和 Unitree Go2 机器人上得到了进一步验证，证明了…
-
新的强化学习框架弥合了四足机器人运动的仿真到现实鸿沟 · 跟踪2个来源
研究人员开发了新的四足机器人运动强化学习（RL）框架，解决了仿真到现实的鸿沟问题。第一种方法利用NVIDIA的Isaac Sim和Isaac Lab，在Unitree Go1上实现了全身控制的零样本仿真到现实迁移，展示了对干扰的鲁棒恢复能力，并达到了2.0米/秒的线性速度。第二种框架侧重于重型四足机器人的扭矩驱动强化学习，使其能够在没有明确速度观测的情况下穿越崎岖地形并跟踪期望速度，在Unitree B1上的仿真结果达到了3.5米/秒。
-
RAVEN记忆系统增强机器人导航和问答任务
研究人员推出RAVEN，一种新颖的代理记忆系统，专为长视域机器人任务（如问答和导航）而设计。RAVEN利用向量数据库存储具有空间和时间信息的视觉嵌入，无需依赖有损的图像到文本字幕即可实现高效检索。在基准测试中，RAVEN的表现优于基于字幕的系统，并且以显著更低的检索成本匹配了最先进的VLMs。该系统已成功部署在Unitree Go1机器人上，用于大型室内环境中进行自然语言目标导向导航。
-
新型混合专家模型增强机器人运动适应性
研究人员开发了CTS-MoE，一种用于感知式腿式运动的新型方法，该方法利用混合专家模型结合基于感知的门控。该系统使机器人在不要求单独的高层选择器或地形分类器的情况下，能够实时适应不连续地形（如楼梯和缝隙）的步态和行为。在Unitree Go1机器人上的实验表明，与单一基线策略相比，CTS-MoE实现了更低的跟踪误差和更高的成功率，展示了其在模拟和现实世界环境中的有效性。