Los humanoides aprenden a sacar en tenis como profesionales: separan el planificador y el rastreador

Los robots humanoides han logrado avances significativos en la ejecución de tareas propias de los deportes de pelota, pero combinar un estilo de movimiento profesional con una ejecución fiable de la tarea sigue siendo un problema abierto. Noitom Robotics e IEEE Spectrum han publicado un white paper que describe una arquitectura adaptativa de planificación y seguimiento de movimientos. Esta arquitectura permite a los humanoides aprender a ejecutar saques y peloteos de tenis conservando el estilo de los deportistas profesionales.

Arquitectura: separación de funciones

El enfoque tradicional combina en un único sistema la generación de trayectorias cinemáticas y el seguimiento de su ejecución. Esto genera una contradicción inevitable: los requisitos para lograr movimientos estéticos y estilísticamente correctos entran en conflicto con los requisitos de un seguimiento preciso. La solución consiste en separar explícitamente el proceso en dos niveles jerárquicos.

El planificador de alto nivel genera trayectorias cinemáticas que conservan el estilo característico de ejecución de un deportista profesional. El rastreador de bajo nivel se encarga de materializar físicamente esas trayectorias con la mínima distorsión. Los datos de origen se extraen de retransmisiones de eventos deportivos y de grabaciones de captura de movimiento de tenistas profesionales. Estos datos pasan por un proceso de reconstrucción, de reasignación (retargeting) a la anatomía del robot y de corrección física, para garantizar una ejecución segura y realista del movimiento en la plataforma humanoide.

Superar la brecha sim-to-real

Uno de los principales retos al trasladar una política entrenada en simulación a hardware real es que los errores de seguimiento del movimiento se acumulan de forma exponencial. En los sistemas de planificación autorregresivos, un pequeño error en un instante de tiempo provoca errores acumulativos en los pasos posteriores, con el riesgo de generar inestabilidad y fallo de la tarea.

Los investigadores implementaron un enfoque de dos niveles: el rastreador de bajo nivel se entrena para ejecutar movimientos a velocidades distintas, variadas de forma aleatoria, lo que aumenta su robustez frente al ruido de percepción y a las imprecisiones del mundo real. Al mismo tiempo, el planificador de alto nivel aprende una representación condicionada de la velocidad del movimiento (learned motion-speed representation), que le permite seleccionar de forma adaptativa la velocidad en función del estado y las condiciones. Esta combinación de enfoques reduce de forma significativa los errores acumulativos que suelen aparecer al transferir desde la simulación al hardware real.

Validación y resultados prácticos

La arquitectura se ha probado en dos plataformas humanoides distintas: un robot de investigación y un humanoide de tamaño completo. El resultado más destacado es el del robot de tamaño completo, que ejecuta saques de tenis en un entorno no controlado (in-the-wild serving) sin utilizar ningún sistema de captura de movimiento. Esto demuestra su aplicabilidad práctica en condiciones reales, cuando el robot depende únicamente de sus sensores integrados y de su percepción visual.

El white paper concluye con recomendaciones prácticas para los ingenieros que desarrollan sistemas de robots humanoides deportistas. La investigación abarca el seguimiento adaptativo de movimientos, los robots deportistas en disciplinas de pelota, la arquitectura jerárquica de control de movimientos, el control de movimiento de humanoides, el aprendizaje a partir de vídeo y datos de captura de movimiento, la planificación y el seguimiento de movimientos, la reasignación de movimientos a distintas anatomías, el estilo de movimiento, el despliegue de robots en condiciones reales, el aprendizaje por refuerzo, la percepción del robot, los robots deportivos, la transferencia sim-to-real y el control de todo el cuerpo del robot.