Crédito: Xialin ele et al
Os robôs humanóides, que têm uma estrutura corporal que reflete a dos seres humanos, pode enfrentar rapidamente e efetivamente uma ampla gama de tarefas em ambientes do mundo real. Esses robôs e seus algoritmos de controle subjacentes melhoraram consideravelmente nos últimos anos. Muitos deles agora podem se mover mais rápido, imitando vários movimentos humanos.
Como esses robôs são projetados para caminhar ou correr de maneira semelhante aos seres humanos, equilibrando -se em duas pernas, às vezes podem colidir com objetos ou viajar em terrenos irregulares, caindo no chão. No entanto, em contraste com os seres humanos, que podem facilmente se levantar quando caem, os robôs humanóides às vezes podem ficar presos no chão, exigindo que o apoio de agentes humanos se recupere.
Pesquisadores da Universidade de Illinois Urbana-Champaign desenvolveram recentemente uma nova estrutura de aprendizado de máquina que poderia permitir que os robôs humanóides voltem automaticamente e se recuperem depois de cair no chão. Esta estrutura, apresentada em um artigo sobre o arxiv O servidor pré-impressão poderia tornar esses robôs mais autônomos, contribuindo potencialmente para sua futura implantação em larga escala.
“Os controladores de design à mão para se levantar são difíceis por causa das configurações variadas em que um humanóide pode acabar após uma queda e os desafios de Robôs Humanóides de terrenos devem operar”, escreveu Xialin He, Runpei Dong e seus colegas em seu artigo. “Este artigo desenvolve uma estrutura de aprendizado para produzir controladores que permitem que os robôs humanóides se levantam de configurações variadas em terrenos variados”.
Resultados do mundo real. Avaliamos o HumanUp (o nosso) em várias configurações do mundo real que abrangem diversas propriedades de superfície, incluindo superfícies artificiais e naturais, e cobrem uma ampla gama de rugosidade (neve de concreto a escorregadio), espreguiçadeira (concreto plano em ladrilhos), Conformidade do solo (concreto completamente firme para ser grama enlameada pantanosa) e inclinação (plana a cerca de 10 ∘). Comparamos o HumanUp com o controlador de gestão interno do G1 e nosso HumanUp sem a randomização da postura (PR). A HumanUp é bem -sucedida de maneira mais consistente (78,3% vs. 41,7%) e pode resolver terrenos que o controlador do G1 não pode. Crédito: arxiv (2025). Doi: 10.48550/arxiv.2502.12152
A nova estrutura desenvolvida por esta equipe de pesquisa, apelidada de HumanUp, conta com uma abordagem de aprendizado de reforço (RL). Essa abordagem foi projetada para melhorar a capacidade dos robôs humanóides de se levantar, independentemente de sua posição quando eles caem.
“Diferentemente das aplicações bem-sucedidas anteriores do aprendizado de locomoção humanóide, a tarefa de gestão envolve padrões de contato complexos, o que exige modelar com precisão a geometria de colisão e as recompensas do Sparsser”, escreveu He, Dong e seus colegas. “Abordamos esses desafios através de uma abordagem em duas fases que segue um currículo”.
A estrutura HumanUp RL abrange em dois estágios diferentes. Durante o primeiro estágio, a estrutura se concentra na identificação de boas trajetórias de membros que permitiriam que um robô se levantasse, o que representa restrições mínimas sobre o quão suave os movimentos do robô devem ser ou a velocidade com que esses movimentos devem ser executados.
Retira-se da visualização do resultado de pose propensa de Tao et al. [65]. O movimento gerado pelo método [65] é altamente instável e inseguro, e continua desgastando e pulando durante a fase de aceleração. Crédito: arxiv (2025). Doi: 10.48550/arxiv.2502.12152
Durante a segunda fase, por outro lado, a estrutura refina os movimentos descobertos como parte da fase anterior, transformando -os em movimentos suaves e lentos que podem ser realizados pelos robôs. Notavelmente, esses movimentos refinados também devem ser eficazes, independentemente da posição do robô e do terreno em que caiu.
Os pesquisadores testaram sua estrutura em ambientes de simulações e no mundo real, implantando-a no robô Humanoid G1 Unitree G1, um sistema robótico avançado criado pela empresa chinesa Robótica Unitree. Suas descobertas foram altamente promissoras, pois descobriram que sua abordagem permitia que o robô se recuperasse autonomamente depois de cair, independentemente da posição em que estava e do terreno abaixo dele.
“Descobrimos que essas inovações permitem que um robô humanóide G1 do mundo real se levanta de duas situações principais que consideramos: a) deitada de bruços e b) deitada de bruços, ambos testados em superfícies e inclinações planas, deformáveis e escorregadias e escorregadias (por exemplo,, por exemplo, Grama desleixada e campo de neve) “, escreveu He, Dong e seus colegas. “Até onde sabemos, esta é a primeira demonstração bem-sucedida de políticas de entender para robôs humanóides de tamanho humano no mundo real”.
A nova estrutura promissora desenvolvida por He, Dong e seus colegas poderá em breve ser melhorada e implantada em outros robôs humanóides, equipando -os com a capacidade de recuperar automaticamente depois de cair. Isso poderia ajudar a avançar ainda mais os robôs, o que poderia facilitar sua futura adoção generalizada.
Xialin He et al, aprendendo políticas de gestão para robôs humanóides do mundo real, arxiv (2025). Doi: 10.48550/arxiv.2502.12152
arxiv
© 2025 Science X Network
Citação: Os robôs humanóides podem se levantar rapidamente depois que caem com a nova estrutura de aprendizado (2025, 24 de fevereiro) recuperada em 24 de fevereiro de 2025 em https://techxplore.com/news/2025-02-humanoid-robots-swiftly-flamework.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.
