Resumo Técnico: SceneBot – Rastreamento de Corpo Inteiro de Humanoide Geral Baseado em Contato por Prompt

Declaração do Problema

As atuais políticas de aprendizado por reforço (RL) para humanoides alcançaram um sucesso significativo no rastreamento de movimentos em espaço livre (ex: caminhar, correr, dançar), mas enfrentam dificuldades com tarefas ricas em contato. O rastreamento puramente cinemático é insuficiente para interagir com objetos e terrenos irregulares porque não consegue resolver ambiguidades físicas. Por exemplo, mover um pulso em direção a uma caixa não especifica inerentemente se o robô está alcançando, tocando ou levantando; da mesma forma, posicionar um pé perto da borda de um degrau não garante a geração de força de reação do solo suficiente para subir o degrau. As pipelines existentes carecem da consciência de cena necessária para coordenar interações com objetos e terreno ao longo de horizontes longos, muitas vezes dependendo de teleoperação de alto nível ou falhando ao generalizar para tarefas complexas de loco-manipulação.

Metodologia

SceneBot é um framework unificado de rastreamento de movimento projetado para lidar com locomoção em espaço livre, travessia de terreno e manipulação de corpo inteiro dentro de uma única política. A metodologia consiste em três componentes primários:

1. Reconstrução de Cena por Hindsight (Perspectiva Retrospectiva)

Para enfrentar a escassez de datasets de larga escala contendo dados pareados de movimento e interação de cena, o SceneBot introduz um pipeline de reconstrução de cena por hindsight:

• Entrada: Trajetórias de movimento humano retargetadas.
• Grafo de Interação de Cena: O sistema constrói um grafo heterogêneo que captura interações temporais entre links-chave do robô (pulsos, pés, pelve) e tipos de cena (terreno, objetos). Arestas são adicionadas com base em baixa velocidade/aceleração relativa e podadas se violarem restrições de colisão ou de fechamento de força (force-closure).
• Geração de Assets: Com base no grafo de interação, o sistema reconstrói mapas de elevação 2.5D plausíveis para o terreno e objetos de placa paralela para itens móveis. Isso transforma dados comuns de movimento humano em dados de interação robô-cena ricos em contato adequados para treinamento.

2. Treinamento de Política Condicionada por Contato

A política central é treinada usando Otimização de Política Próxima (PPO) para rastrear tanto movimentos de referência cinemáticos quanto rótulos de contato explícitos.

• Entradas: A política recebe comandos cinemáticos ($g_t$), estados proprioceptivos ($s_t$), estimativas de estado da raiz ($p_{root,t}$) e um vetor de rótulo de contato binário ($c_t$). Os rótulos de contato indicam explicitamente quais links do robô devem estabelecer contato com o terreno ou objetos.
• Estrutura de Recompensa: O objetivo de treinamento inclui recompensas padrão de rastreamento de movimento aumentadas com dois termos específicos de contato:
  • Recompensa de Correção de Contato ($r_{cr}$): Incentiva o robô a estabelecer contato quando o rótulo é 1. Esta recompensa é assimétrica; ela só é ativa quando um contato é desejado, evitando penalidades por contatos não intencionais em cenários de espaço livre.
  • Recompensa de Duração de Contato ($r_{dr}$): Incentiva a manutenção estável do contato, limitada a 0,5 segundos para evitar que o robô se recuse a soltar objetos.
• Estabilização: Uma "força mágica" heurística é aplicada aos objetos reconstruídos durante o início do treinamento para garantir que eles sigam a trajetória até que uma preensão estável seja alcançada, mitigando falhas frequentes de preensão que interrompem o processo.

3. Estimativa de Estado Livre de Infraestrutura

Para implantação, o SceneBot utiliza o SuperOdometry combinado com sensores embarcados para estimar o estado global da raiz do robô (posição, orientação, velocidade linear).

• Fusão de Sensores: Reconhecendo que IMUs montadas na cabeça (ex: Livox) podem não representar com precisão a dinâmica da pelve durante movimentos agressivos, o sistema funde uma IMU montada na pelve (para pitch/roll) com a estimação de yaw do SuperOdometry via filtro de Kalman.
• Inicialização: A altura da raiz é estimada usando os 5% de pontos mais baixos de um scan LiDAR alinhado com a gravidade.

Principais Contribuições

1. Framework Unificado: O SceneBot é apresentado como o primeiro framework de rastreamento de movimento geral capaz de unificar perfeitamente locomoção em espaço livre, travessia de terreno irregular e manipulação de objetos de corpo inteiro dentro de uma única política.
2. Condicionamento de Contato: O artigo introduz uma interface inovadora onde um tomador de decisão de alto nível fornece rótulos de contato (quais links devem tocar a cena) juntamente com os movimentos de referência. Isso permite que a política de baixo nível resolva ambiguidades físicas sem exigir uma política de tarefa completa baseada em visão.
3. Motor de Síntese de Dados: A abordagem de reconstrução de cena por hindsight proposta gera dados de treinamento ricos em contato e escaláveis a partir de datasets de movimento humano existentes (AMASS, OMOMO, Bones, Lafan), superando o gargalo de dados de interação anotados escassos.
4. Generalização Zero-Shot: O sistema demonstra a capacidade de generalizar para movimentos e ambientes não vistos, incluindo tarefas complexas de horizonte longo, como carregar uma caixa escada acima.

Resultados Experimentais

Experimentos foram conduzidos na plataforma humanoide Unitree G1 em um ambiente de simulação sim-to-sim no MuJoCo e validados com estimativa de estado no mundo real.

• Comparação de Desempenho: O SceneBot alcança desempenho comparável aos rastreadores de espaço livre de última geração (SONIC) em cenários de terreno plano, mas supera significativamente esses modelos em tarefas de interação de cena.
  • Interação com Terreno: As taxas de sucesso caíram de 100% (com estado global) para 45% quando a informação de estado global foi removida.
  • Interação com Objetos: Sem os rótulos de contato das mãos, as taxas de sucesso de preensão caíram para quase zero.
• Estudos de Ablação:
  • Estado Global: Incorporar a posição e velocidade da raiz global é crítico; o rastreamento apenas local leva a desvio (drift) e desalinhamento movimento-terreno.
  • Rótulos de Contato: Treinar com rótulos de contato é essencial para o sucesso. Curiosamente, um modelo treinado com rótulos retém melhor desempenho (85% de sucesso) mesmo quando os rótulos são zerados durante o teste, comparado a um modelo treinado sem eles (45% de sucesso), sugerindo que o condicionamento de contato simplifica o aprendizado da mecânica de equilíbrio.
  • Reconstrução vs. Retargeting: A reconstrução direta de cena supera o retargeting consciente de cena (ex: OmniRetarget) porque garante que a cena gerada seja viável para o movimento, enquanto o retargeting frequentemente enfrenta dificuldades com alinhamento de objetos e restrições de penetração.
• Estimativa de Estado: A pipeline de estimativa de estado proposta alcançou um erro médio de posição da raiz de 0,032 m, erro de orientação de 0,018 rad e erro de velocidade linear de 0,092 m/s contra o ground truth do OptiTrack, com uma taxa de sucesso de tarefa de 80% em testes no mundo real.

Significância e Alegações

O artigo afirma que o SceneBot estabelece o condicionamento de contato como uma interface poderosa para o controle humanoide, efetivamente preenchendo a lacuna entre o rastreamento de movimento em espaço livre e as complexas interações de cena ricas em contato. Ao sintetizar dados de treinamento através da reconstrução por hindsight, o framework permite que uma única política execute diversas tarefas de horizonte longo (ex: pegar um cesto, subir escadas e colocá-lo) sem a necessidade de ajustes específicos para cada tarefa. Os autores posicionam este trabalho como um passo fundamental em direção à inteligência física, onde robôs podem usar intencionalmente contatos para suporte e manipulação. Todo o código e dados pretendem ser de código aberto.