Learning-based legged locomotion; state of the art and future perspectives

四足动物的腿部运动具有普遍机动性的前提，这是许多现实世界机器人应用所必需的关键能力。在过去的三十年中，基于模型和基于学习的方法都推动了四足动物的腿部运动领域的发展。然而，在近年来，许多因素极大地加速了基于学习的方法的进展，包括深度学习的兴起，仿真机器人系统的快速进展以及高性能和价格实惠的硬件的可用性。本文旨在简要介绍该领域的历史，总结最近在四足动物学习运动技能方面的努力，并为新进入该领域的研究人员提供关键问题的理解。随着人形机器人的日益增多，我们还概述了双足动物运动类似方法的迅速崛起。最后，我们讨论了开放性问题以及相关的社会影响。

本文旨在总结近年来基于学习的方法在四足和双足机器人行走方面的研究进展，并探讨其中的关键问题和挑战。

本文总结了基于学习的方法在机器人行走方面的研究进展，特别是深度学习、仿真技术和硬件的快速发展，为该领域的研究提供了新的思路和工具。

本文介绍了基于学习的方法在四足和双足机器人行走方面的研究进展和关键问题，包括模型构建、仿真技术、控制算法等。文章还介绍了一些开源数据集和代码，并讨论了未来的研究方向和挑战。

近年来，基于学习的方法在机器人行走方面的研究逐渐增多。例如，DeepMind提出了基于强化学习的控制算法，MIT提出了基于模型预测控制的方法，UC Berkeley提出了基于模型的强化学习方法等。