💻 computer science

Learning Multi-Humanoid Pickup and Transport via Decentralized Object-Centric Control

Dit artikel stelt een gedecentraliseerd object-centrisch controleframework voor dat multi-humanoïde teams in staat stelt om objecten van verschillende groottes coöperatief op te pakken en te transporteren met behulp van grijperloze bimanuele knijptechnieken, waarbij wordt aangetoond dat beleid getraind op single-robot taken effectief overdraagbaar is naar multi-robot scenario's en bovendien profiteert van expliciete coördinatietraining.

Oorspronkelijke auteurs: Bikram Pandit, Mohitvishnu S. Gadde, Aayam Kumar Shrestha, Alan Fern

Gepubliceerd 2026-09-17

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Bikram Pandit, Mohitvishnu S. Gadde, Aayam Kumar Shrestha, Alan Fern

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een wereld voor waarin robots meer kunnen dan alleen in rechte lijnen bewegen of eenvoudige dozen duwen. Ze kunnen lopen, evenwicht bewaren en zware dingen dragen, net zoals mensen dat doen. Dit vakgebied, bekend als humanoïde robotica, heeft grote stappen gezet in het aanleren van het oppakken en verplaatsen van objecten aan een enkele machine. Echter, een enkele robot heeft grenzen. Het kan slechts een bepaalde hoeveelheid gewicht tillen, en het kan maar een beperkte afstand bereiken. Wanneer het object te groot, te zwaar of vreemd gevormd is, kan één robot de klus niet alleen klaren. Hier komt het idee van teamwork om de hoek kijken. Net zoals een groep mensen kan samenkomen om een groot meubelstuk te verplaatsen, zou een team van robots kunnen samenwerken om een zware last samen te dragen. De uitdaging is geweest om deze machines te leren samenwerken zonder een centrale commandant nodig te hebben die elke machine op elk moment precies vertelt wat hij moet doen. Als ze niet met elkaar kunnen communiceren, hoe weten ze dan wanneer ze moeten tillen, wanneer ze moeten lopen en hoe ze het object stabiel kunnen houden?

Onderzoekers aan de Oregon State University hebben een nieuwe manier ontwikkeld om dit probleem op te lossen, waardoor teams van humanoids kunnen samenwerken zonder met elkaar te praten. Hun werk richt zich op een systeem waarbij elke robot een specifieke plek krijgt op het object dat het moet vasthouden. In plaats van te proberen de volledige vorm van het object of de positie van elke andere robot te begrijpen, hoeft elke machine alleen maar te weten waar zijn eigen handen het object moeten raken. Deze benadering, die de auteurs decentrale object-gecentreerde controle noemen, behandelt het object als het middelpunt van de actie. Elke robot krijgt een klein gebied op het oppervlak van het object toegewezen, zoals een specifiek stukje op een grote tafel, en leert dat punt vast te grijpen met beide handen in een knijpbeweging. Eenmaal bevestigd, volgt de robot een eenvoudige instructie om het object in een bepaalde richting te bewegen, zoals naar voren, opzij of omhoog. Omdat elke robot dezelfde basisregel volgt op basis van zijn eigen lokale plek, bewegen ze van nature samen zonder berichten naar elkaar te hoeven sturen.

De onderzoekers trainden hun robots met behulp van een computersimulatie, beginnend met slechts één robot die leerde om dozen van verschillende maten en gewichten op te pakken en te dragen. Ze leerden de robot om een object te naderen, het met de handen te grijpen, op te tillen en te lopen terwijl het object stabiel werd gehouden. Zodra de enkele robot dit onder de knie had, introduceerden de onderzoekers een tweede robot in de simulatie. Ze hebben de robots niet direct geleerd om met elkaar te coördineren. In plaats daarvan lieten ze de tweede robot op dezelfde manier leren, gebruikmakend van zijn eigen toegewezen plek op het object. Verrassend genoeg werd de vaardigheid die de robots leerden bij het werken alleen zeer goed overgedragen naar het werken in een groep. Een beleid dat getraind was op een enkele robot kon een team van tot wel tien robots aan zonder extra training. Dit suggereert dat de kern van de moeilijkheid van de taak niet de coördinatie tussen de robots is, maar het vermogen van elke robot om zijn deel van de last stevig vast te houden. Wanneer de robots samenwerken, delen ze het gewicht en wordt het object stabieler. In tests met tien robots die een zware last droegen, kantelde het object veel minder dan wanneer één robot het droeg, wat aantoont dat het teamwork het transport soepeler en veiliger maakte.

Het systeem bleek ongelooflijk flexibel. De onderzoekers testten het met objecten die nooit tijdens de training waren gezien, waaronder een metalen kast, een koelkast, een houten boomstam, een bed en een betonnen plaat. De robots pakten al deze items succesvol op en verplaatsten ze, ook al waren ze nog nooit met deze specifieke vormen in aanraking gekomen. Ze testten het systeem ook met teams van verschillende groottes, van één tot tien robots, en stelden vast dat de prestaties over de hele linie hoog bleven. De robots konden zelfs een object van de een naar de ander doorgeven. In deze overdrachtscenario's hield één robot het object vast terwijl een tweede robot naderde, zijn eigen plek greep, waarna de eerste robot losliet. Dit verliep soepel, of de robots nu stilstonden, liepen of zelfs op verschillende hoogtes stonden. De onderzoekers maten ook hoeveel energie de robots verbruikten. Ze ontdekten dat hoewel het toevoegen van een tweede robot aanvankelijk iets meer energie kostte vanwege de noodzaak tot coördinatie, het toevoegen van meer robots daarna niet significant bijdroeg aan de energiekosten per verplaatst gewichtseenheid. Dit betekent dat grotere teams zwaardere lasten kunnen dragen zonder inefficiënt te worden.

Om te bewijzen dat dit niet slechts een computertruc was, brachten de onderzoekers hun systeem naar de echte wereld. Ze gebruikten twee echte humanoïde robots, genaamd Digit V3, om de taken uit te voeren. Zonder nieuwe training of aanpassingen pakten de robots succesvol een kartonnen doos op, droegen deze samen en gaven hem van de een naar de ander door. De robots vertrouwden op externe sensoren om te zien waar de doos zich bevond ten opzichte van hun eigen lichaam, maar zodra ze die informatie hadden, voerden ze dezelfde decentrale controle strategie uit die ze in de simulatie hadden geleerd. Deze succesvolle overdracht van simulatie naar de werkelijkheid laat zien dat de benadering robuust genoeg is voor echt wereldgebruik. De onderzoekers merken op dat hun huidige systeem het beste werkt wanneer alle robots dezelfde rol hebben en simpelweg verschillende delen van het object vasthouden. Het kan nog niet omgaan met situaties waarin robots zeer verschillende rollen moeten aannemen, zoals één die leidt en de ander die volgt, of waar de robots grijpers hebben in plaats van platte handen. De resultaten suggereren echter dat een eenvoudige, lokale manier van denken over de taak complexe problemen van teamwork kan oplossen. Door zich te concentreren op het object en de specifieke plek die elke robot moet vasthouden, stelt het systeem een groep machines in staat om als één gecoördineerde eenheid te fungeren, in staat om de zware en onhandige dingen te verplaatsen die een enkele robot nooit alleen zou kunnen managen.

Technische Samenvatting: Leren van Multi-Humanoid Oprapen en Transport via Gedecentraliseerde Object-Centrische Controle

Probleemstelling

Recente vooruitgang in humanoïde loco-manipulatie heeft het mogelijk gemaakt voor individuele robots om objecten van verschillende maten en gewichten op te pakken en te transporteren. Echter, veel real-world payloads blijven te groot, te zwaar of te onregelmatig voor een enkele humanoïde om te hanteren. Deze taken vereisen dat teams van robots coördinatie vertonen in de whole-body beweging terwijl ze interageren via een gedeelde last. Bestaande benaderingen voor coöperatief humanoïde transport zijn schaars en vertrouwen vaak op analytische modellen, vaste teamgroottes of specifieke leader-follower aannames. Bovendien hebben eerdere op leren gebaseerde methoden moeite gehad met het generaliseren over variërende teamgroottes, bevestigingslay-outs en objectgeometrieën zonder per taak een herontwerp te vereisen.

De kernuitdaging die wordt aangepakt, is het ontwikkelen van een op leren gebaseerd framework voor multi-humanoïde collaboratieve loco-manipulatie dat ondersteuning biedt aan variabel georiënteerde teams, diverse objectgeometrieën en naadloze robot-naar-robot handovers, alles zonder directe inter-robot communicatie of precieze globale pose-commando's te vereisen.

Methodologie

Gedecentraliseerde Object-Centrische Controle (decMHT)

De auteurs introduceren decMHT, een gedecentraliseerde, object-centrische controle-abstractie. Dit framework verenigt single-robot pickup, coöperatief multi-robot transport en robot-naar-robot handovers onder één enkele policy.

1. Interface Design:
Het systeem vertrouwt op twee primaire inputs die aan elke robot worden verstrekt:

Attachment Spec ( $A(r)$ ): Een lokale geometrische definitie die aan het begin van een episode wordt verstrekt. Het specificeert een lokale bevestigingsframe relatief aan de torso van de robot, twee symmetrische bevestigingspunten (links en rechts), en een frontale vrijheidsafstand. Cruciaal is dat het de volledige payload-geometrie niet beschrijft, waardoor dezelfde representatie compacte dozen, langwerpige staven of onregelmatige panelen kan afhandelen.
Object-Centric Command ( $C_{pl}$ ): Een hoog niveau commando dat de gewenste planaire snelheid, yaw-rate en de hoogte van een referentiekader op het object specificeert (bijv. het zwaartepunt). Dit globale commando wordt getransformeerd naar een lokaal commando ( $C_{cf}^{(r)}$ ) voor elke robot met behulp van een vaste rigide transformatie gebaseerd op de offset van de robotbevestiging.

2. Controle Architectuur:
Het systeem maakt gebruik van een hiërarchische gedecentraliseerde architectuur waarbij elke robot onafhankelijk dezelfde policy uitvoert met alleen lokale observaties:

Low-Level Locomotion Policy ( $\pi_l$ ): Een vooraf getraind, bevroren neuraal netwerk dat gecommandeerde basisvelociteiten, yaw-rates en torso-hoogtes omzet in been-gewrichtstargets.
High-Level Manipulation Policy ( $\pi_h$ ): Een recurrente policy (twee-laags LSTM) die proprioceptieve staat, de attachment spec, het lokale commando en een mode flag als input neemt. Het genereert target upper-body gewrichtsposities en locomotion commando's. De mode flag ( $m^{(r)}$ ) schakelt de robot tussen idle (normale pose behouden) en track (benaderen, bevestigen en het object volgen).

3. Trainingsaanpak:
De high-level policy wordt getraind met behulp van Independent Proximal Policy Optimization (IPPO) in simulatie (IsaacLab met Agility Robotics Digit V3 modellen).

Curriculum: Training begint met single-robot pickup en transport taken, progressief doorgaand naar stadia van geassisteerde contactvorming, onassisted vasthouden, hoogte tracking, en volledige command tracking.
Fine-Tuning: De single-robot policy wordt gefinetuned op twee-robot coöperatieve episodes om de controller bloot te stellen aan de gekoppelde dynamica van gedeelde payloads.
Generalisatiestrategie: De policy wordt nooit getraind met $N \ge 3$ robots. Evaluatie op grotere teams (tot 10 robots) vindt zero-shot plaats.
Domain Randomization: Om robuustheid voor sim-to-real transfer te garanderen, bevat de training randomisatie van sensornoise, wrijving, motordoorstijfheid en externe perturbaties.

Belangrijkste Bijdragen

decMHT Abstractie: Introductie van een high-level, object-centrische interface die variabele teamgroottes, bevestigingslay-outs en objectgeometrieën ondersteunt zonder per taak herontwerp.
Hiërarchische Gedecentraliseerde Controle: Ontwikkeling van een controle-architectuur en trainingscurriculum die humanoïdes in staat stelt te coördineren via een gedeeld object met gebruik van enkel lokale observaties en zonder directe communicatie.
Schaalbaarheid en Zero-Shot Transfer: Demonstratie in simulatie dat een enkele controller, getraind op maximaal twee robots, teams van tot tien humanoïdes ondersteunt over diverse objectgeometrieën en bevestigingsconfiguraties, inclusief handovers over meerdere hoogteverschillen.
Sim-to-Real Validatie: Succesvolle implementatie op twee echte Digit V3 humanoïdes die collaboratieve objectmanipulatie uitvoeren zonder extra real-world fine-tuning.

Experimentele Resultaten

Schaalbaarheid en Prestaties

Teamgrootte: Het systeem werd geëvalueerd met teams van $N \in \{1, \dots, 10\}$ robots. De succesratio voor pickup bleef boven de 97% voor alle teamgroottes. De transportkwaliteit verbeterde over het algemeen met de teamgrootte; lineaire en hoogte tracking fouten namen af, en de payload tilt werd significant verminderd (RMS tilt daalde van 8.04° voor één robot naar 1.21° voor tien robots).
Payload Massa: De policy generaliseerde zero-shot naar payloads tot 50 kg, wat de training massa range (0.5–1.5 kg) ver overstijgt. Het verhogen van de teamgrootte maakte het systeem in staat om zwaardere lasten te tillen terwijl de stabiliteit behouden bleef.
Object Geometrie: Het framework generaliseerde naar ongeziene geometrieën (metalen kast, koelkast, houten stam, bed, betonnen plaat) zonder hertraining. Hoewel de pickup succes hoog was over alle objecten, vormde het "bed" (zwaar, dunne grijpregio's) de grootste uitdaging, met een succesratio van 85.2% voor decMHT vergeleken met 44.1% voor de single-robot-getrainde ablatie.

Vergelijkende Analyse

vs. Single-Robot Training (decMHT(1)): De single-robot getrainde policy bereikte vergelijkbare pickup rates maar vertoonde hogere tracking fouten, drop rates en payload tilt tijdens transport. Dit geeft aan dat hoewel de attachment abstractie de mechanica van het tillen vangt, multi-robot fine-tuning noodzakelijk is om de gekoppelde dynamica te leren die vereist is voor stabiel transport.
vs. Centralized en Gespecialiseerde Baselines: decMHT presteerde vergelijkbaar met gecentraliseerde baselines (getraind op joint states) en object-gespecialiseerde baselines (per object hertraind), ondanks het gebruik van een gedecentraliseerde, model-vrije benadering.
Cost of Transport (CoT): De energie-efficiëntie (CoT) steeg scherp van één naar twee robots, maar vlakte af naarmate het team groter werd. decMHT behield een lagere CoT dan de single-robot ablatie voor alle multi-robot teams.

Handover Capaciteiten

Het systeem demonstreerde succesvol robot-naar-robot handovers in statische, dynamische (bewegend object) en cross-level (verschillende hoogtes) configuraties. decMHT presteerde beter dan de single-robot ablatie, met name in dynamische scenario's waar de ontvangende robot contact moest maken terwijl het object in beweging was.

Sim-to-Real Transfer

De aanpak werd gevalideerd op twee echte Digit V3 humanoïdes. Door een externe sensor te gebruiken om de pose van de attachment frame te schatten, voerden de robots succesvol single-robot pickup, multi-robot coöperatief transport en handovers uit, puur door het toggelen van mode flags, zonder policy modificatie of real-world fine-tuning.

Betekenis en Claims

Het artikel claimt de eerste te zijn die een geleerd, gedecentraliseerd multi-humanoïde loco-manipulatie framework demonstreert dat generaliseert over variërende teamgroottes in robot-realistische simulatie en deployt op echte humanoïde hardware.

De auteurs benadrukken dat de attachment-gebaseerde abstractie de essentiële structuur vangt die nodig is voor coördinatie, waardoor policies getraind op single-robot taken niet-triviaalel kunnen transfereren naar coöperatieve settings. Ze merken echter ook op dat expliciete multi-robot training gunstig is voor het leren van de specifieke coördinatie-dynamica die transportstabiliteit en -efficiëntie verbeteren.

Het werk onderstreept dat een gemeenschappelijke object-centrische controle-interface diverse manipulatie modi (pickup, transport, handover) kan verenigen en kan schalen naar grote teams zonder de noodzaak voor complexe globale planning of directe robot-naar-robot communicatie, waarmee een significante kloof in de huidige coöperatieve humanoïde robotica wordt gedicht.