Контроллер искусственного интеллекта преобразует виртуальную реальность, видео и языковые команды в действия человекоподобного робота

Роботы-гуманоиды, роботизированные системы с конечностями и структурой тела, которые напоминают человеческие, могли бы выполнять различные ручные задачи в домашних условиях, на рабочих местах и в других условиях. Однако обучение этих роботов надежному выполнению различных движений, подобных человеческим, обычно является сложной задачей и требует много времени.

Исследователи из NVIDIA недавно разработали контроллер, модель искусственного интеллекта (ИИ), которая преобразует цели движения в команды, которые могут выполняться роботом, что может помочь расширить диапазон движений человекоподобных роботов. Новый контроллер, получивший название SONIC, был описан в статье, опубликованной в журнале Science Robotics.

"Роботы-гуманоиды должны двигаться с такой же координацией и адаптивностью, как и люди, но современные системы обучаются с помощью отдельных контроллеров различным навыкам, что затрудняет их масштабирование", - сказал Юке Чжу, директор и выдающийся научный сотрудник NVIDIA. "Мы хотели выяснить, может ли один обучаемый контроллер служить основой для многих форм движения всего тела".

Чжу и его коллеги из NVIDIA задались целью разработать универсальный контроллер для всего тела, который мог бы изучать движения на основе большого и разнообразного набора данных о движениях человека. Затем они хотели, чтобы контроллер обобщил то, чему он научился во время обучения, на новые модели поведения и движения.

"Этот подход может приблизить человекоподобную робототехнику к многоразовому двигательному интеллекту, который может поддерживать широкий спектр приложений, не требуя от инженеров создания нового контроллера для каждой задачи", - пояснил Чжу.

Недавно разработанный командой контроллер SONIC, по сути, является базовой моделью для управления роботами-гуманоидами. Контроллер действует как "двигательная система" робота, преобразуя команды высокого уровня в плавные, скоординированные движения по всему телу робота.

"Модель была обучена на более чем 100 миллионах кадров движений человека, что позволило ей изучить широкий набор моделей движений, а не отдельные задачи", - сказал Чжу.

"Затем мы оценили симуляцию SONIC in physics в широком спектре сценариев передвижения и манипуляций, включая поведение, которое не было частью его обучающих данных. Мы также продемонстрировали, что один и тот же контроллер может управляться с помощью различных входных данных, включая телеуправление виртуальной реальностью, модели движения на основе видео и визуализации языка действий (VLA), без переподготовки".

The researchers tested their controller with a humanoid robot, assessing how accurately it reproduced both previously learned and unseen reference movements. They found that SONIC produced a wide range of robust, natural whole-body motions despite relying on a single model rather than separate control policies for each movement.

"SONIC also generalizes beyond the specific motions it was trained on, making it a strong foundation for more capable humanoid systems," said Zhu.

"In the future, this approach could help accelerate the development of humanoid robots for manufacturing, warehousing, logistics and other environments where robots need to perform diverse physical tasks. More broadly, SONIC provides a reusable motor foundation that can work alongside higher-level AI models, allowing robots to translate reasoning into reliable physical actions."

The results of the team's initial tests suggest that SONIC could improve the versatility of humanoid robots, allowing them to perform previously unseen motions. In their experiments, the researchers also combined the controller with other components to demonstrate remote robot teleoperation and the conversion of written instructions into robot actions.

Zhu and his colleagues are now planning to further develop and improve their model. For instance, they would like to increase its awareness of the surrounding environment to reduce the risk of collisions or accidents and boost robot navigation in dynamic settings or uneven terrain.

"We're also working to improve contact-rich manipulation, strengthen simulation-to-reality transfer and further increase robustness in real-world conditions," added Zhu.

"Looking ahead, we plan to integrate SONIC more closely with NVIDIA Isaac GR00T, enabling humanoid robots to combine high-level reasoning with general-purpose whole-body control to perform increasingly complex tasks."

© 2026 Science X Network