Humanoid Robots に関する報道

モーションリターゲティングは「手動の疎キーポイント」から「学習された密な点群対応」に変わりつつあります。これは、ヒューマノイドロボットが高品質の基準軌道を取得する方法が、人為的なセマンティックデザインに依存するものから、データ駆動型の自動位置合わせに移行することを意味しており、これにより、異なるロボット形態間の移行のボトルネックが解消され、スキル学習の規模が加速される可能性があります。

人型ロボットのオドメトリは、「二値接触判定」から「継続観察の信頼度」に移行しています。接触は信頼性を意味するものではありません。ダイナミックな動きの際に部分的にサポートしたり足が滑ったりすると、ドリフトの原因になります。継続的な信頼性により足の状態をより正確に記述することができるため、長距離トラックの位置決め精度が向上します。

ヒューマノイドロボットのキャリブレーションは、外部測定デバイスに依存することから、固有受容自己制約を使用することに移行しつつあります。この変更は、ジョイント オフセット キャリブレーションを日常の運用およびメンテナンス プロセスに組み込んでダウンタイムを削減できることを意味します。ただし、回転結合の存在は、純粋な内部センサー ソリューションには可観測性の境界が存在することを示しており、ハードウェア設計とアルゴリズムを協調して最適化する必要があります。

この研究では、人型ロボットの足の意思決定に世界モデルを導入しています。これは、視覚的な動きがもはや現在の深度画像のみに依存するのではなく、リスクを予測するために近い将来の予測を使用しようとすることを意味します。これは、足場がまばらな地形における人型ロボットの堅牢性に対する新しい解決策がある可能性があることを示唆していますが、予測モデルの信頼性と導入コストが依然として実装の鍵となります。

この論文は、強化学習知覚制御システムを初めて人型ロボットの疎な 3D 構造 (猿の棒など) の横断に適用しました。この戦略は、ヘッドマウントソリッドステートライダーの元の点群を直接消費し、アテンションエンコーダーと循環メモリを通じて細長い浮遊幾何学的特徴を抽出します。正確なモデルや人工的な特徴に依存していた従来の方法と比較して、このシステムは、生のセンサーデータから機敏な全身動作までのエンドツーエンド学習を実現し、非構造化環境における人型ロボットの動作能力の大幅な向上を示します。

物理システムをテクノロジーに組み込むことは、人型ロボットにおけるリーダーシップに反映されているように、人工知能を日常生活に統合するという中国の戦略の重要な部分となっている。これは、AI テクノロジーが仮想アプリケーションから物理アプリケーションへ移行することを示しており、AI 業界にとって明らかな価値があります。