I robot hanno lottato a lungo per muoversi con la naturale fluidità delle creature viventi. Sebbene gli ingegneri possano programmare le macchine per camminare in linea retta o salire le scale, insegnare loro a imitare i gesti complessi ed espressivi di un essere umano o l'andatura unica di un animale è rimasto una sfida ostinata. La difficoltà fondamentale risiede nella traduzione: un corpo umano e un corpo robotico sono costruiti diversamente, con un numero diverso di articolazioni e diversi limiti fisici. Tradizionalmente, per far sì che un robot copiasse un essere umano, i ricercatori dovevano riscrivere manualmente i movimenti umani in un codice che il robot potesse comprendere, un processo simile al tradurre una poesia parola per parola in una lingua con una grammatica completamente diversa. Questa traduzione manuale è lenta, spesso interrompe il flusso del movimento e fallisce quando il robot incontra un nuovo tipo di movimento che non ha mai visto prima.

Un team di ricercatori dell'ETH di Zurigo ha sviluppato un nuovo approccio che evita interamente questa traduzione manuale. Hanno creato un sistema che consente ai robot bipedi e quadrupedi di osservare un essere umano o un animale muoversi e di comprendere immediatamente come replicare quel movimento sui propri corpi, senza bisogno di uno script pre-scritto. Insegnando al robot di riconoscere il ritmo e la struttura sottostanti del movimento piuttosto che limitarsi a copiare specifiche angolazioni articolari, i ricercatori hanno permesso alle macchine di apprendere da video e dati di movimento grezzi in tempo reale. Questo lavoro suggerisce un futuro in cui i robot possono apprendere nuove abilità semplicemente osservandole, adattandosi istantaneamente alle proprie forme fisiche uniche.

I ricercatori, guidati da Matthias Heyrman e colleghi, si sono concentrati su un problema che ha bloccato il settore per anni: come rappresentare il movimento in un modo che catturi sia i modelli costanti e ripetitivi che le variazioni improvvise e imprevedibili di un gesto. I metodi precedenti spesso trattavano questi due aspetti separatamente o cercavano di forzare tutto il movimento in un unico modello matematico rigido. Il team si è reso conto che il movimento naturale è un mix di due cose: modelli strutturati e periodici, come l'oscillazione ritmica delle gambe durante una camminata, e variazioni aperiodiche e non strutturate, come una svolta improvvisa o un movimento della mano. Per risolvere questo problema, hanno costruito un sistema chiamato Multi-Domain Motion Embedding, che agisce come una telecamera a doppia lente per il movimento. Una lente si concentra sui modelli di movimento ripetitivi e ondulatori, mentre l'altra cattura i dettagli caotici e unici che rendono ogni movimento distinto.

Invece di tradurre manualmente la posa di un essere umano in comandi per il robot, i ricercatori hanno inserito direttamente nel loro sistema i dati di movimento grezzi. Questi dati provenivano da due fonti: registrazioni di attori umani che si muovevano in vari modi e video di cani che correvano e camminavano. Il sistema elabora queste informazioni attraverso due percorsi paralleli. Il primo percorso utilizza uno strumento matematico noto come trasformata wavelet per scomporre il movimento nei suoi componenti di frequenza. Ciò consente al robot di vedere il "battito" del movimento, identificando il ciclo regolare di un'andatura o il ritmo di una danza. Il secondo percorso utilizza un encoder probabilistico per catturare i dettagli disordinati e non ripetitivi, come il modo specifico in cui una persona si inclina durante una curva o un cane si adatta al terreno irregolare. Questi due flussi di informazioni vengono combinati in una singola descrizione ricca del movimento che il robot può comprendere.

La vera prova di questo sistema è stata capire se potesse funzionare nel mondo reale senza intervento umano. I ricercatori hanno addestrato i loro robot in un ambiente simulato utilizzando l'apprendimento per rinforzo, un metodo in cui il robot impara attraverso tentativi ed errori per massimizzare una ricompensa. Hanno insegnato a un robot umanoide, il Fourier N1, a imitare i movimenti umani e a un robot quadrupede, l'ANYmal D, a imitare i movimenti dei cani. Fondamentalmente, non hanno fornito ai robot alcuna istruzione pre-elaborata o tradotta. I robot hanno dovuto capire come mappare il movimento grezzo dell'uomo o dell'animale sui propri corpi interamente da soli. I risultati sono stati sorprendenti. Nelle simulazioni, i robot hanno seguito con successo una vasta gamma di movimenti, dalla semplice camminata a gesti complessi ed espressivi, con un livello di precisione che ha superato i metodi precedenti.

Per dimostrare che il sistema funzionava anche al di fuori del computer, il team ha implementato le policy addestrate sull'hardware reale. Il robot umanoide ha guardato un video di un attore umano e ha iniziato immediatamente a imitare i movimenti, inclusi camminare, girarsi e gesticolare, senza alcun aggiustamento manuale al codice. Allo stesso modo, il robot quadrupede ha guardato le riprese di un cane e ha riprodotto con successo l'andatura dell'animale. Ancora più impressionante, il sistema ha dimostrato una forma di apprendimento zero-shot, il che significa che poteva gestire movimenti che non aveva mai visto prima. Quando presentato con un nuovo tipo di andatura canina non presente nei suoi dati di addestramento, il robot non è fallito; al contrario, ha adattato il movimento in una versione stabile e fattibile che funzionasse per il proprio corpo. Questa capacità di generalizzazione suggerisce che il sistema abbia appreso i principi fondamentali del movimento piuttosto che aver semplicemente memorizzato una lista di pose specifiche.

I ricercatori hanno anche confrontato il loro nuovo metodo con le tecniche più vecchie che si basavano sul retargeting manuale. Hanno scoperto che, sebbene i vecchi metodi potessero essere leggermente più accurati nel copiare un movimento esattamente identico a quello per cui erano stati addestrati, fallivano miseramente di fronte a movimenti nuovi o inaspettati. Il nuovo sistema, al contrario, ha mantenuto le sue prestazioni attraverso una vasta gamma di movimenti non visti. Lo studio suggerisce che lasciando che il robot impari la struttura del movimento direttamente dai dati grezzi, invece di forzarlo attraverso un filtro di traduzione rigido, la macchina acquisisca una comprensione molto più profonda di come muoversi. Questo approccio elimina la necessità per gli ingegneri di creare manualmente le regole per ogni nuovo movimento, aprendo la strada affinché i robot possano imparare dalla vasta diversità di movimento presente nel mondo naturale.

Uno dei risultati più significativi è stato come il sistema gestisse le differenze tra il robot e l'attore. I ricercatori hanno scoperto che il robot non cercava di forzare il proprio corpo in una forma impossibile per corrispondere esattamente all'essere umano. Inveve, interpretava il movimento in un modo che fosse fisicamente possibile per la propria struttura. Ad esempio, quando un attore umano eseguiva un movimento che sarebbe stato instabile per un robot, il sistema regolava il movimento per mantenere l'equilibrio del robot, "reinterpretando" efficacementamente l'intento del movimento piuttosto che copiarne la geometria esatta. Questa flessibilità ha permesso ai robot di rimanere stabili e funzionali anche imitando attori di dimensioni diverse o eseguendo azioni complesse e dinamiche.

Lo studio ha anche evidenziato l'importanza dell'architettura a doppio encoding. Quando i ricercatori hanno testato il sistema rimuovendo una delle due lenti, le prestazioni sono diminuite significativamente. Il robot faticava a catturare l'intera gamma di movimento, mancando o la stabilità ritmica dell'andatura o la capacità di adattarsi alle sfumature uniche del gesto. Ciò ha confermato che sia i modelli strutturati e ondulatori, sia i dettagli non strutturati e caotici, sono essenziali per una comprensione completa del movimento. Il sistema funziona perché tratta questi due aspetti come complementari, usando uno per fornire la base e l'altro per aggiungere il dettaglio necessario.

In definitiva, questo lavoro rappresenta un cambiamento nel modo in cui i robot imparano a muoversi. Inveve di fare affidamento sugli ingegneri per tradurre il movimento umano in codice robotico, i ricercatori hanno dimostrato che i robot possono imparare a comprendere il movimento direttamente. Combinando un metodo per catturare i modelli ritmici con un metodo per catturare le variazioni uniche, hanno creato un sistema che è allo stesso tempo robusto e flessibile. I robot dimostrati nello studio non si sono limitati a seguire uno script; hanno imparato a interpretare il linguaggio del movimento e a parlarlo con la propria voce. Questa capacità suggerisce un futuro in cui i robot possono apprendere nuove abilità al volo, adattandosi a nuovi ambienti e compiti con un livello di naturalezza che prima era fuori portata. I ricercatori concludono che questo approccio fornisce una solida base per la prossima generazione di controllo robotico, dove la capacità di apprendere dall'osservazione diventerà una caratteristica standard piuttosto che un'eccezione rara.