Робот-гуманоид учится бегать и выполнять вращательные удары ногами с помощью искусственного интеллекта, обученного на основе данных о движениях человека

Роботы-гуманоиды, роботизированные системы с формами тела и конечностями, напоминающими человеческие, потенциально могут помогать людям выполнять ручные задачи в различных условиях реального мира. Однако пока большинство из этих роботов могут надежно выполнять только ограниченный набор движений.

Обучение роботов-гуманоидов выполнению широкого спектра гибких движений, подобных человеческим, может быть сложной задачей и отнимать много времени. Один из способов сделать это - обучить контроллеров (т.е. алгоритмам, которые определяют, как движется робот), используя большое количество демонстраций на людях.

Хотя этот подход позволяет роботам воспроизводить некоторые движения, иногда он приводит к неестественным движениям или требует корректировки с учетом индивидуальных действий. Кроме того, многие ранее предложенные методы основаны на обучении или настройке политик управления для конкретных движений или целей, что ограничивает их способность к обобщению для новых задач.

Исследователи из Калифорнийского университета в Беркли (UC Berkeley) и Стэнфордского университета недавно разработали BeyondMimic - новую систему искусственного интеллекта, которая может расширить репертуар движений человекоподобных роботов, одновременно снижая необходимость в настройке движений под конкретные задачи или переподготовке под конкретные задачи. Фреймворк, представленный в статье, опубликованной в Science Robotics, сочетает в себе подход к обучению, называемый обучением с подкреплением, с моделью, которая генерирует планы движения путем устранения шума в сжатом представлении движения.

Чтобы обучить свою систему искусственного интеллекта, исследователи использовали примерно 2,5 часа данных о движениях, показывающих, как люди ходят, бегают, танцуют, практикуют боевые искусства, прыгают, крутятся колесом и выполняют другие гибкие движения. Движения, включенные в эти данные, были впоследствии адаптированы к пропорциям и суставам гуманоидного робота G1, разработанного Unitree Robotics.

Используя обучение с подкреплением, команда разработала стратегии управления, позволяющие воспроизводить положения, ориентацию и скорость частей тела во время каждого контрольного движения. Обучение с подкреплением - широко используемый метод обучения компьютерных алгоритмов с помощью поощрений и штрафных санкций. В данном случае модель была вознаграждена за точное отслеживание движений, в то время как штрафные санкции препятствовали резким движениям, небезопасному положению суставов и нежелательному контакту между частями тела робота.

"We present BeyondMimic, a framework that scales to diverse motions and carries the versatility to compose them seamlessly in tackling unseen downstream tasks," wrote Qiayuan Liao, Takara E. Truong and their colleagues in their paper. "A compact motion tracking formulation enables mastery of a wide range of highly agile behaviors, including aerial cartwheels, spin kicks, flip kicks, and sprinting, with a single setup and shared hyperparameters, all while achieving humanlike performance."

To compress the actions learned by the robot, the team used a variational autoencoder, an algorithm that translates action data into a compact and structured representation (i.e., a lower-dimensional latent space). A decoder subsequently converts these compressed representations into commands for the robot.

The researchers then trained an algorithm known as a diffusion model to learn sequences containing both the robot's predicted physical states and compressed movement representations. During training, they added noise to these sequences, and the model learned to reconstruct the original movements.

"Moving beyond the mere imitation of existing motions, we propose a unified latent diffusion model that empowers versatile goal specification, seamless task switching, and dynamic composition of these agile behaviors," wrote Liao, Truong and their colleagues. "Leveraging classifier guidance, a diffusion-specific technique for test-time optimization toward unseen objectives, our model extended its capability to solve downstream tasks never encountered during training, including motion inpainting, joystick teleoperation, and obstacle avoidance, and transferred these skills zero-shot to real hardware."

The researchers first validated the motions in simulation and then deployed 30 representative motion clips on a Unitree G1 robot. Their findings were promising, as the robot successfully performed various movements, including balancing poses, dancing, crawling, sprinting, kicks, spinning jumps and aerial cartwheels.

During these experiments, the researchers also asked 77 participants to compare the walking and running motions produced using BeyondMimic with those generated by Unitree's standard controller. In 70.8% of the comparisons, participants classified BeyondMimic's movements as more humanlike and natural than those enabled by the standard controller.

In the future, the team's framework could be refined and tested using an even broader range of motions. It could also potentially be adapted to other humanoid robotic platforms.

© 2026 Science X Network