
Uma equipe de pesquisadores de IA e robótica da Carnegie Mellon University, trabalhando com um par de colegas da empresa de tecnologia Nvidia, desenvolveu um novo modelo para treinar robôs para se mover como atletas humanos.
Em seu artigo postado no arxiv Servidor de pré-impressão, o grupo descreve como eles desenvolveram a nova abordagem para permitir o treinamento de movimentos atléticos de corpo inteiro com robôs humanóides e quão bem a abordagem funcionou até agora.
Em seu novo esforço, a equipe de pesquisa observou que a maioria dos esforços para treinar robôs para fazer as coisas centraliza principalmente em torno da locomoção. O resultado foi o desenvolvimento de uma série de robôs capazes de se locomover muito bem. Mas nenhum deles, observa a equipe, faz isso com muita graça; Eles não têm fluidez ou atletismo – altas marcas de movimentos naturais dos animais. A resposta, eles acreditavam, era mudar o foco para o uso de treinamento de corpo inteiro.
Ao procurar desenvolver treinamento de corpo inteiro, a equipe descobriu que os modelos de treinamento atuais careciam de adaptabilidade e geralmente usavam muitos parâmetros, resultando em movimentos excessivamente cautelosos. Isso os levou a desenvolver um novo modelo de dois estágios ou estrutura como eles chamam.
A primeira etapa envolve o treinamento de um módulo de IA para entender os vídeos de movimento humano de corpo inteiro-com os pontos salientes retargetados para considerar os recursos do robô em conjunto com o rastreamento de movimento. O segundo estágio envolve a coleta de dados do mundo real para identificar e reconciliar diferenças entre as ações no mundo real (a maneira como as pessoas se movem nos vídeos) e como os robôs podem se mover. O resultado é uma estrutura que a equipe chama de simulação de alinhamento e física real (o mais rápido possível).
Para testar a nova estrutura, os pesquisadores treinaram um robô para tornar os movimentos familiares para os fãs de esportes. O robô apresentou o famoso arremesso de photo de Kobe Bryant, o movimento do silenciador de LeBron James e o salto SIU de Cristiano Ronaldo com um giro no ar. Cada habilidade de corpo inteiro foi registrada como foi realizada e os resultados foram publicados no YouTube.
Observando-os, é fácil reconhecer os movimentos famosos e observar o progresso feito na melhoria do movimento de corpo inteiro. Mas também é fácil ver que muito mais trabalho precisa ser feito antes que um robô seja confundido com um atleta humano profissional.
![Redargando movimentos de vídeo humano para movimentos de robô: (a) Os movimentos humanos são capturados do vídeo. (b) Usando bonde [93]O movimento humano 3D é reconstruído no formato de parâmetro SMPL. (c) Uma política de aprendizado de reforço (RL) é treinada em simulação para rastrear o movimento SMPL. (d) O movimento de SMPL aprendido é redirecionado para o robô humanóide G1 Unitree G1 em simulação. (e) A política de RL treinada é implantada no robô real, executando a moção final no mundo físico. Esse pipeline garante que os movimentos redirecionados permaneçam fisicamente viáveis e adequados para a implantação do mundo real. Crédito: Arxiv (2025). Doi: 10.48550/arxiv.2502.01143 O novo modelo de treinamento permite que os robôs imitem movimentos famosos de atletas, como o salto de Cristiano Ronaldo](https://i0.wp.com/scx1.b-cdn.net/csz/news/800a/2025/new-model-for-training.jpg?ssl=1)
Redargando os movimentos de vídeo humano para movimentos de robô: (a) Os movimentos humanos são capturados do vídeo. (b) Usando bonde [93]O movimento humano 3D é reconstruído no formato de parâmetro SMPL. (c) Uma política de aprendizado de reforço (RL) é treinada em simulação para rastrear o movimento SMPL. (d) O movimento de SMPL aprendido é redirecionado para o robô humanóide G1 Unitree G1 em simulação. (e) A política de RL treinada é implantada no robô real, executando a moção final no mundo físico. Esse pipeline garante que os movimentos redirecionados permaneçam fisicamente viáveis e adequados para a implantação do mundo real. Crédito: arxiv (2025). Doi: 10.48550/arxiv.2502.01143
Tairan He et al, o mais rápido possível: alinhando a simulação e a física do mundo real para aprender habilidades humanóides ágeis, o corpo inteiro, arxiv (2025). Doi: 10.48550/arxiv.2502.01143
Projeto: Agile.human2humanoid.com/
Github: github.com/lecar-lab/asap
arxiv
© 2025 Science X Network
Citação: Celebração de Siuuu de Ronaldo: o modelo de treinamento de corpo inteiro permite que os robôs imitem movimentos famosos de atletas (2025, 6 de fevereiro) recuperados em 6 de fevereiro de 2025 de https://techxplore.com/news/2025-02-body-body-simic-thamous- Athlete.html
Este documento está sujeito a direitos autorais. Além de qualquer negociação justa para fins de estudo ou pesquisa particular, nenhuma parte pode ser reproduzida sem a permissão por escrito. O conteúdo é fornecido apenas para fins de informação.