Dual-Level Humanoid Whole-Body Controller
Este artículo presenta Jaeger, un controlador de cuerpo completo de doble nivel para robots humanoides que desacopla el control de la parte superior e inferior del cuerpo para superar los desafíos de dimensionalidad, utilizando un enfoque híbrido de aprendizaje supervisado y por refuerzo entrenado con datos de movimiento humano retargetizado para lograr un rendimiento robusto y versátil tanto en entornos de simulación como en el mundo real.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Los robots humanoides han sido durante mucho tiempo el sueño de la ciencia ficción: máquinas construidas para verse y moverse como nosotros, capaces de navegar por nuestras escaleras, abrir nuestras puertas y manejar nuestras herramientas. Para que estos robots sean verdaderamente útiles, deben dominar el control de todo el cuerpo, un complejo acto de equilibrio donde la máquina coordina docenas de articulaciones simultáneamente para mantenerse erguida mientras alcanza objetos, camina o carga cosas. El desafío radica en la enorme cantidad de piezas móviles; los brazos y las piernas de un robot a menudo tienen necesidades contradictorias, como que los brazos se balanceen salvajemente para agarrar una taza mientras las piernas deben permanecer perfectamente estables para evitar una caída. Los métodos tradicionales suelen tener dificultades para enseñar a un único programa informático a gestionar todas estas piezas móviles a la vez, lo que provoca movimientos que son rígidos, inestables o propensos al fallo cuando el robot se encuentra con la imprevisibilidad del mundo real.
Un equipo de investigadores de la Academia de Inteligencia Artificial de Beijing ha desarrollado un nuevo enfoque para este problema, creando un sistema de control que llaman JAEGER. En lugar de obligar a un solo cerebro a gestionar todo el robot, dividen la tarea en dos roles distintos, de forma muy similar a cómo un cerebro humano podría gestionar por separado el ritmo de la marcha mientras se concentra en una tarea delicada con las manos. Este sistema de doble nivel asigna un controlador al tren inferior del robot, responsable del equilibrio y el movimiento sobre el suelo, y un segundo controlador independiente al tren superior, dedicado a alcanzar y manipular objetos. Al separar estas funciones, los investigadores descubrieron que podían entrenar al robot de manera más efectiva, permitiendo que cada parte se concentre en su trabajo específico sin interferir con la otra.
Los investigadores probaron este sistema en dos robots humanoides diferentes, el H1 y el H1-2, ejecutando miles de sesiones de entrenamiento en un entorno simulado antes de pasar al mundo real. Enseñaron a los robots a realizar una gran variedad de tareas, desde caminar de lado y hacia adelante hasta ejecutar movimientos complejos similares a una danza que requieren una coordinación precisa entre el torso y las extremidades. En una demostración, el robot utilizó un joystick e interfaz de realidad virtual para acercarse y agarrar una muñeca mientras estaba en movimiento, confiando en el controlador del tren inferior para mantener la estabilidad mientras el controlador del tren superior guiaba los brazos. En otra, el robot realizó una serie de movimientos de baile, cambiando su peso y moviendo sus extremidades en una secuencia fluida que requería que ambos controladores trabajaran en armonía.
Para que esto funcionara, el equipo tuvo que resolver un problema de datos difícil: cómo traducir los movimientos humanos, registrados a partir de personas reales, en instrucciones que un robot pueda seguir. Los cuerpos humanos y los cuerpos robóticos están construidos de forma diferente; un humano tiene un número distinto de articulaciones y un rango de movimiento diferente al de una máquina. Los investigadores crearon un sistema rápido y eficiente para mapear las poses humanas sobre el esqueleto del robot, asegurando que los movimientos parecieran naturales y fueran físicamente posibles para la máquina. Luego utilizaron un método de entrenamiento paso a paso, enseñando primero al robot a caminar y mantener el equilibrio por sí solo, y luego introduciendo gradualmente las tareas del tren superior. Este enfoque evitó que el robot se confundiera o se volviera inestable durante el proceso de aprendizaje, permitiéndole converger en una solución que fuera tanto robusta como versátil.
Los resultados de sus experimentos mostraron que esta estrategia de control dividido funcionaba significante mejor que los métodos anteriores. Cuando se probó qué tan bien los robots podían seguir comandos para moverse a velocidades específicas o mantener posturas específicas, el nuevo sistema cometió menos errores que las principales alternativas. Por ejemplo, cuando se le pidió rastrear una velocidad objetivo mientras se movía, el robot que utilizaba el nuevo sistema cometió errores de solo unos 0,15 metros por segundo en su velocidad de avance, una mejora notable respecto a otros métodos que tenían dificultades para mantenerse en el curso. Del mismo modo, cuando se le pidió imitar posturas complejas, las articulaciones del robot se movieron con mucha mayor precisión, reduciendo la diferencia entre la posición deseada y la posición real a una fracción de lo que otros sistemas lograron.
Los investigadores también descubrieron que mantener los dos controladores separados era crucial para la estabilidad del robot. Cuando intentaron usar un único controlador para gestionar todo el cuerpo, el robot a menudo sacrificaba el equilibrio por el movimiento, o viceversa, lo que provocaba intentos bruscos o fallidos de tareas complejas. Al desacoplar los sistemas, el tren inferior podía seguir funcionando eficazmente incluso si el tren superior encontraba un problema, y el tren superior podía concentrarse enteramente en la tarea en cuestión sin preocuparse por la mecánica de la marcha. Este diseño también hizo que el proceso de entrenamiento fuera más rápido y fiable, ya que el sistema podía aprender de los datos de movimiento humano sin estancarse por las demandas contradictorias de una red de control única y monolítica.
En las pruebas finales, los robots demostraron una capacidad notable para recuperarse de las perturbaciones. Cuando los investigadores aplicaron fuerzas laterales equivalentes a un empuje de hasta 210 Newtons, los robots fueron capaces de mantener el equilibrio o recuperarse del traspié en más del 90 por ciento de los ensayos. Esta resiliencia sugiere que el sistema no es solo un éxito teórico, sino una solución práctica para aplicaciones del mundo real. Los investigadores señalaron que su método permite actualizaciones de alta frecuencia, lo que significa que el robot puede ajustar sus movimientos más de mil veces por segundo, una velocidad necesaria para tareas de baja latencia como la cirugía remota o la manipulación delicada.
El trabajo no pretende haber resuelto todos los problemas de la robótica, pero ofrece un camino claro hacia la realización de robots humanoides más capaces y fiables. Al desglosar la compleja tarea del control de todo el cuerpo en partes especializadas y manejables, los investigadores han demostrado que los robots pueden aprender a moverse con un nivel de fluidez y adaptabilidad que antes era difícil de lograr. El éxito de JAEGER sugiere que el futuro de la robótica humanoide puede no residir en construir un cerebro único y omnisciente, sino en crear sistemas donde las diferentes partes de la máquina puedan trabajar juntas, cada una haciendo lo que mejor sabe hacer, para lograr un objetivo común.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.