去中心化的复杂机器人控制算法—DEMOS

       强化学习在足式机器人控制上取得了重大的成功，但是强化学习得到的策略往往是中心化的特异性策略，该策略对局部错误不鲁棒，并且难以迁移到新任务中。陈建宇课题组提出一种去中心化的复杂机器人控制算法DEMOS (Decentralized motor skill)，在不牺牲任务性能的前提下，鼓励机器人在强化学习过程中自主发现可以解耦合的模块，同时保留必要合作模块之间的连接。

DEMOS策略在提高机器人系统的鲁棒性、泛化能力和多任务学习方面具有显著的优点，具体包括：

1. 对局部错误更加鲁棒，可以克服局部电机故障带来的影响,并且能够更好地泛化到新任务。

2. 可以通过组合、微调的方式快速学习新的技能。该方法在四足机器人，机械臂+四足机器人，人型机器人等复杂机器人系统上都展现了优越的性能。

3. 该算法为机器人的设计和开发提供了新的视角，特别是在需要高度自主性和适应性的领域，如搜索和救援、探索和工业自动化。