Noticias sobre Humanoid Robots

El retargeting de movimiento está cambiando de "puntos clave dispersos manuales" a "correspondencia de nube de puntos densa aprendida". Esto significa que la forma en que los robots humanoides obtienen trayectorias de referencia de alta calidad pasará de depender de un diseño semántico artificial a una alineación automática basada en datos, lo que puede romper el cuello de botella de la migración entre diferentes formas de robots y acelerar la escala del aprendizaje de habilidades.

La odometría del robot humanoide está pasando del "juicio de contacto binario" a la "confianza en la observación continua". Contacto no significa confiabilidad. El apoyo parcial y el deslizamiento del pie durante los movimientos dinámicos provocarán la deriva. La confianza continua puede describir con mayor precisión el estado del pie, mejorando así la precisión del posicionamiento en recorridos largos.

La calibración de robots humanoides está pasando de depender de dispositivos de medición externos a utilizar autolimitaciones propioceptivas. Este cambio significa que la calibración de compensación conjunta se puede integrar en los procesos diarios de operación y mantenimiento para reducir el tiempo de inactividad. Sin embargo, la existencia de acoplamiento rotacional indica que existe un límite de observabilidad en la solución de sensor puramente interno, y el diseño del hardware y el algoritmo deben optimizarse de forma colaborativa.

Esta investigación introduce el modelo mundial en la toma de decisiones de los pies de los robots humanoides, lo que significa que los movimientos visuales ya no se basan únicamente en la imagen de profundidad actual, sino que intentan utilizar predicciones del futuro cercano para predecir riesgos. Esto sugiere que puede haber nuevas soluciones para la robustez de los robots humanoides en terrenos con poco espacio de apoyo, pero la confiabilidad y el costo de implementación del modelo de predicción siguen siendo la clave para su implementación.

Este artículo aplica por primera vez el sistema de control perceptual de aprendizaje por refuerzo al recorrido de la escasa estructura 3D del robot humanoide (como la varilla del mono). La estrategia consume directamente la nube de puntos original del lidar de estado sólido montado en la cabeza y extrae las delgadas características geométricas suspendidas a través del codificador de atención y la memoria circular. En comparación con métodos anteriores que se basaban en modelos precisos o características artificiales, este sistema logra un aprendizaje de extremo a extremo desde datos sin procesar de sensores hasta movimientos ágiles de todo el cuerpo, lo que marca una mejora significativa en las capacidades de movimiento de los robots humanoides en entornos no estructurados.

Incorporar sistemas físicos a la tecnología se ha convertido en una parte clave de la estrategia de China para integrar la inteligencia artificial en la vida diaria, como se refleja en su liderazgo en robots humanoides. Esto marca la transición de la tecnología de IA de aplicaciones virtuales a físicas, lo que tiene un valor obvio para la industria de la IA.