Платформа для имитации движений обучает трех роботов динамичным движениям - от вращения колесом до сальто назад

Двуногие роботы, роботизированные системы с ногами, которые обычно напоминают ноги животных или человека, могут быть полезны для выполнения задач в домашних условиях или в населенных, динамичных пространствах. Эти роботы могут выглядеть как люди или животные, но часто они не могут надежно воспроизвести сложные движения всего тела за короткое время.

Обучение роботов новым движениям обычно требует разработки контроллера или политики — программного обеспечения, которое определяет, как робот будет двигаться, — и настройки его для получения желаемых движений. Этот процесс может занимать много времени и не подходит для быстрого обучения роботов различным гибким движениям.

Исследователи из Института робототехники и искусственного интеллекта (RAI) и Boston Dynamics недавно разработали новую платформу, которая может преобразовывать записанные или анимированные движения в стратегии управления роботами. Новая концепция, описанная в статье, опубликованной в журнале Science Robotics, была успешно использована для обучения двух гуманоидов и одного четвероногого робота новым динамическим движениям.

"Обеспечение надежного, человекоподобного управления всем телом человекоподобных роботов для обеспечения гибкого поведения, основанного на контакте, остается главной задачей, требующей тщательной проработки каждого навыка и сложного процесса настройки контроллеров", - пишут Жан-Пьер Слейман, Хе Ли и их коллеги в своей статье.

"Мы представляем ZEST (zero-shot embodied skill transfer), оптимизированную платформу для имитации движения, которая обучает стратегиям с помощью обучения с подкреплением из различных источников - высокоточного захвата движения, видео с монокуляром с шумом и анимации без физических ограничений — и внедряет их в аппаратное обеспечение zero-shot".

Новая платформа ZEST, разработанная Слейманом, Ли и их коллегами, была разработана для обучения роботов с разными ногами широкому спектру движений всего тела. Для тестирования фреймворка команда использовала записи с камер захвата движений, обычные видеоролики, снятые с помощью одной портативной камеры, и анимацию, созданную компьютером.

Движения, извлеченные из видео-демонстраций, были реконструированы в трех измерениях (3D), сглажены для уменьшения ошибок и адаптированы в соответствии с пропорциями тела конкретного робота. Команда разработала отдельную политику управления для каждого целевого навыка в течение примерно 10 часов на одном графическом процессоре NVIDIA L4 (GPU).

The new framework splits long movement sequences into shorter sections, identifying those that a robot struggles to reproduce. A robot policy is then trained more frequently on these challenging sections than on easier ones.

"ZEST generalizes across behaviors and platforms without relying on contact labels, reference or observation windows, state estimators, or extensive reward shaping," wrote the authors.

"Its training pipeline combines adaptive sampling, which focuses training on difficult motion segments, and an automatic curriculum using a model-based assistive wrench, together enabling dynamic, long-horizon maneuvers. We further provide a procedure for selecting joint-level gains from approximate analytical armature values for closed-chain actuators, along with a refined model of actuators."

The researchers transferred policies trained using ZEST directly from simulations to three different robots: G1, Spot and Atlas. G1 is a humanoid robot created by Unitree Robotics. Atlas and Spot are a humanoid and a dog-inspired four-legged robot, respectively, both developed at Boston Dynamics.

The team's initial tests were promising, as the framework appeared to generalize well across all three robots. The humanoid robots were able to reproduce various dynamic whole-body movements, including walking, jogging, forward rolls, crawling on all fours, army crawling, handstands, cartwheels and breakdancing.

Spot, on the other hand, acquired new acrobatic skills, such as performing continuous backflips, handstand balances on its forelegs, playful dog movements and barrel rolls.

"Trained entirely in simulation with moderate domain randomization, ZEST demonstrated broad generality," wrote Sleiman, Li and their colleagues.

"On Boston Dynamics' Atlas humanoid, ZEST learned dynamic, multicontact skills (army crawl and breakdancing) from motion capture. It transferred expressive dance and scene-interaction skills, such as box climbing, directly from videos to Atlas and Unitree G1. Furthermore, it extended across morphologies to the Spot quadruped, enabling acrobatics, such as a continuous backflip, through animation."

The findings gathered by Sleiman, Li and their colleagues highlight the potential of ZEST for teaching legged robots with different body structures complex and dynamic movements in a relatively short time.

In the future, the framework could be improved further and tested on an even broader range of legged robots or using demonstrations of other complex whole-body movement sequences.

© 2026 Science X Network