待验证50% 置信事实精确时间

CBR-II使用强化学习（RL）训练行走控制策略。

1

来源数

50%

置信度

长期有效

时效性

2026/10/26

首次发现

来源

DIY双足机器人CBR-II：强化学习从仿真到真机部署

涉及实体

CBR-IIproduct 强化学习concept

相关事实

待验证当前主流的双足运动控制方法包括基于模型预测控制（MPC）的传统方法和基于强化学习的端到端控制方法67% 相似待验证Jev声称使用RLCD训练方法67% 相似待验证Jev 的训练方法叫 RLCD（Reinforcement Learning for Calibrated Decisions，面向校准决策的强化学习），把校准作为优化目标67% 相似待验证结合强化学习与CBF的目标是用强化学习学习灵活高效的运动策略，同时用CBF保证策略的安全性67% 相似待验证RL训练涉及环境交互（CPU密集）和策略优化（GPU密集）两个阶段的交替66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1099385

API

curl https://kongchang.com/api/v1/knowledge/claims/1099385

MCP

get_claim(id=1099385)