Autonomous Learning of Bipedal Walking Stabilization

第一批小山羊并不像最大的机器人那样不稳定。在机器人的帮助下，人类变得更加稳定。我们将继续努力，使我们的博登更强壮，平衡也更稳定，使我们的力量更埃尔兰根。这两个系统是复杂的，固有的不稳定系统。这种复杂性是一种很长的连续性，它的效率、优雅性和稳定性都不足以保证人类帮派技术的稳定性。为了保证一个人在工程中的自我稳定性，没有反馈，而且效率很高，最好是一种新的机器人，自动学习算法，这是机器人的启动，也是一种学习的动力学，我们会把他带到地狱。Störungen韦尔登可以从一个单独的平台开始，或者由Roboter生成Störungen，并提供一个有效的Explorationsstrategie selbst。这个机器人把它放在一个非常小的地方，然后把它放在一个韦尔登上，它的平衡可以在埃尔兰根上或者在地面上保持稳定。我们的方法基于一般的非参数化函数逼近，也不用于解释模型。

Die ersten Schritte eines Kleinkinds sind nicht weniger instabil als die Laufbewegungen der meisten zweibeinigen Roboter. Im Gegensatz zu den Robotern lernen Menschen jedoch sehr schnell stabil zu gehen. Ohne viel Anleitung entwickeln wir die Fähigkeit, uns auf nahezu jedem Boden fortzubewegen und die Balance auch bei starken, unerwarteten Störungen wieder zu erlangen. Zweibeinige Geher sind komplexe, inhärent instabile Systeme. Wegen dieser Komplexität ist es bislang trotz jahrzehntelanger Bemühungen nicht gelungen, die Effizienz, Eleganz und insbesondere die Stabilität des menschlichen Gangs technisch nachzuvollziehen.Ausgehend von einen in engen Grenzen selbststabilisierenden Gangverhalten, das kein Feedback benutzt, und der Fähigkeit zu fallen, besteht unser neuer Ansatz darin, autonome Lernalgorithmen zu entwickeln, die es dem Roboter erlauben, seine eigene Dynamik zu lernen, während er beim Gehen gestört wird. Die Störungen werden dabei entweder von außen eingebracht, oder der Roboter generiert die Störungen mit Hilfe einer effizienten Explorationsstrategie selbst. Der Roboter benutzt das erworbene Wissen dann, um zu entscheiden, wann und wohin Ausfallschritte platziert werden, die es ihm erlauben, die Balance nach unerwarteten Stößen wieder zu erlangen oder auch auf unebenen Grund stabil zu gehen. Unsere Lernmethode basiert auf generischen nichtparametrischen Funktionsapproximatoren und nicht auf expliziter Modellierung.