COMPANY PROFILE
Boston DynamicsBoston Dynamics
HuMBLE提出结合人类运动数据与强化学习的人形机器人运动学习框架，在Atlas和Unitree G1上实现实时可转向、鲁棒且仿生的全身运动策略。
HuMBLE提出结合人类运动数据与强化学习的人形机器人运动学习框架，在Atlas和Unitree G1上实现实时可转向、鲁棒且仿生的全身运动策略。论文提出在机器人导航和标注预算限制下，通过空间不一致性选择样本的具身主动学习框架。
代表产品
- Atlas R1
- Atlas D1
- Unitree G1
- Spot
- YOLOv5
- #运动控制
- #具身智能感知
FULL COVERAGE
「Boston Dynamics」全资讯
快讯、深度报道、融资记录、技术部件与论文——这家公司在本站的所有痕迹，一页看齐。
相关快讯
FLASHES今天暂时没有与 Boston Dynamics 直接相关的快讯，去快讯频道看看全行业动态吧。
相关报道与文章
STORIES编辑部还没有发布与 Boston Dynamics 相关的报道，敬请期待。
融资历史
FUNDING本站暂未收录 Boston Dynamics 的公开融资事件——当前阶段：以公开报道为准。
涉及技术部件
TECH MODULES造出这台机器人，靠的是这些关键部件与技术路线：
相关论文
PAPERS与 Boston Dynamics 技术路线相关的研究进展：
- CSF：面向运动生成器的上下文安全过滤CSF：面向运动生成器的上下文安全过滤研究者提出CSF，一种无需训练的安全过滤器，可将自然语言安全规则接地到运动生成器产生的安全与不安全参考轨迹，并在Unitree G1上验证。arXivarXiv:未标注▲ 0
- HuMBLE：以人类运动数据驱动的人形机器人行为学习框架HuMBLE：以人类运动数据驱动的人形机器人行为学习框架HuMBLE提出结合人类运动数据与强化学习的人形机器人运动学习框架，在Atlas和Unitree G1上实现实时可转向、鲁棒且仿生的全身运动策略。arXivarXiv:未标注▲ 0
- 四足机器人负载交互中的柔顺运动控制框架四足机器人负载交互中的柔顺运动控制框架研究提出力感知运动框架，让四足机器人在负载受外部交互时，仅凭机载测量推断力并柔顺响应arXivarXiv:未标注▲ 0
- CAST：面向建筑机器人的碰撞感知装配轨迹估计与规划框架CAST：面向建筑机器人的碰撞感知装配轨迹估计与规划框架研究者提出CAST框架，用单一因子图统一多机器人轨迹估计与规划，并在木结构梁柱装配任务中完成验证。arXivarXiv:未标注▲ 0
- 基于三维阻力理论的人形机器人颗粒地形自适应运动学习基于三维阻力理论的人形机器人颗粒地形自适应运动学习研究提出基于三维阻力理论的颗粒接触模型与地形自适应控制器，在玄武岩、干沙和海滩沙等真实颗粒地形上实现敏捷人形运动，属首次演示。arXivarXiv:未标注▲ 0
- SwingBot：面向人形机器人的全身臂跃学习框架SwingBot：面向人形机器人的全身臂跃学习框架研究团队提出SwingBot学习框架，借助仿生关键帧与递归特权状态估计，使高自由度人形机器人实现连续臂跃。arXivarXiv:未标注▲ 0
- UMR：基于学习点云对应的人形机器人统一运动重定向框架UMR：基于学习点云对应的人形机器人统一运动重定向框架研究提出统一运动重定向框架UMR，通过学习点云对应实现无需人工映射的人形机器人运动重定向。arXivarXiv:未标注▲ 0
- CARO：用于四足机器人零样本鲁棒移动的接触无关残差观测方法CARO：用于四足机器人零样本鲁棒移动的接触无关残差观测方法CARO框架将固定基座欧拉-拉格朗日模型嵌入强化学习，免接触传感实现四足机器人零样本鲁棒移动。arXivarXiv:未标注▲ 0
- Tac4Loco：利用足底压力时空表征实现人形机器人稳健行走Tac4Loco：利用足底压力时空表征实现人形机器人稳健行走该研究提出Tac4Loco框架，利用足底压力阵列的时空表征提升人形机器人在复杂地形上的行走鲁棒性，并开源代码。arXivarXiv:未标注▲ 0
- 南京大学LAMDA团队实现机器人集群自主跳绳南京大学LAMDA团队实现机器人集群自主跳绳南京大学LAMDA团队发布机器人集群自主跳绳技术，论文已公开。Bilibili 具身智能检索arXiv:未标注▲ 0
- 面向执行器功率损失的四足机器人容错运动学习方法面向执行器功率损失的四足机器人容错运动学习方法研究者提出容错运动强化学习方法，使用非对称演员-评论家架构与可学习步态频率，在68千克四足机器人上验证。arXivarXiv:未标注▲ 0
- 具身主动学习：在有限标注与导航预算下的目标检测方法具身主动学习：在有限标注与导航预算下的目标检测方法论文提出在机器人导航和标注预算限制下，通过空间不一致性选择样本的具身主动学习框架。arXivarXiv:未标注▲ 0
- 面向四足机器人的密集人群敏捷导航方法VOP-Nav面向四足机器人的密集人群敏捷导航方法VOP-NavVOP-Nav融合速度障碍法与端到端学习，实现四足机器人在密集动态环境中的安全敏捷导航，并在真实机器人上验证。arXivarXiv:未标注▲ 0
- 基于视觉的仿人足球运球研究：通过特权表征学习实现基于视觉的仿人足球运球研究：通过特权表征学习实现该研究提出将时间深度编码器嵌入强化学习策略，使仿人机器人在仅依靠深度观测的情况下完成带球突破，无需显式状态估计。arXivarXiv:未标注▲ 0
- SKooP框架：利用对称性与Koopman预测加速四足机器人强化学习SKooP框架：利用对称性与Koopman预测加速四足机器人强化学习SKooP框架结合形态对称性和Koopman模型预测，通过自编码器学习系统动力学，为评论家提供平滑特征，显著提升四足机器人强化学习采样效率和收敛速度。arXivarXiv:未标注▲ 0