Гуманоиды копируют стиль профи: планировщик и трекер разделили, тест на 2 роботах

Команда, стоящая за белой книгой Noitom Robotics, предлагает способ научить гуманоидного робота двигаться как профессиональный спортсмен и при этом не терять в точности выполнения задачи. Метод проверили на двух гуманоидных платформах. Одна из них полноразмерная, и она выполняла подачу в «диких» условиях, без системы motion capture. Это единственная проверка, о которой известно из анонса. Полный текст закрыт за формой загрузки на площадке Wiley, и цифр в открытом описании нет.

В чём проблема

В робототехнике мячевых видов спорта есть конфликт между стилем и результатом. Если копировать движения атлета максимально точно, робот часто промахивается по задаче: у него другие массы, моменты, задержки приводов и ограничения суставов. Если оптимизировать только попадание, движение получается рабочим, но не похожим на человеческое. Авторы называют это открытой проблемой отрасли.

Их ответ — архитектурное разделение. Высокоуровневый планировщик решает, какое движение выполнять и в какой момент. Низкоуровневый трекер отвечает за то, чтобы тело робота это движение физически воспроизвело и не упало.

Откуда берутся референсы

Источники данных названы прямо: телевизионные трансляции и записи motion capture. Из видео реконструируют позу и траекторию, затем ретаргетят на кинематику гуманоида. Следом идёт физическая коррекция, которая убирает то, что человеку доступно, а роботу нет: нереалистичные скорости суставов, потерю контакта с опорой, нарушение баланса. На выходе получаются референсные движения, которые робот может безопасно отслеживать.

Использование трансляций заметно удешевляет сбор данных. Не нужно приглашать атлета в студию с десятками камер, достаточно архивных матчей. Качество реконструкции из одиночной камеры при этом остаётся вопросом, и ответа на него в анонсе нет.

Скорость как параметр управления

Вторая часть работы касается перехода из симуляции в реальность. Ошибки трекинга там накапливаются: небольшое отставание в одном такте сдвигает следующее состояние, и к моменту удара расхождение может стать критичным. Авторы предлагают два шага:

• обучать трекер на случайных скоростях исполнения референсного движения;
• добавить в планировщик обученный адаптер скорости, который подбирает темп под текущее состояние робота.

По сути, время становится управляемой переменной. Если робот не успевает за эталоном, планировщик замедляет или ускоряет референс, а не заставляет трекер догонять любой ценой.

Что известно о проверке

• Платформ: две гуманоидные.
• Одна из них полноразмерная.
• Задача: подача, выполненная вне лаборатории.
• Система motion capture при испытании не использовалась.
• Количественные метрики (точность попадания, частота падений, ошибка трекинга) в открытой части не раскрыты.

Как читать этот материал

Это маркетинговая страница белой книги, а не рецензируемая статья, и оценивать результат по ней нельзя. Нужны конкретные числа: насколько адаптер скорости снижает ошибку по сравнению с трекером, обученным на фиксированном темпе, и сколько попыток из ста заканчивается успешной подачей.

Если вы строите управление для гуманоидов, полезнее всего идея развязки. Её можно проверить у себя без чужого железа: прогоните трекер на разных скоростях референса в симуляции и посмотрите, как растёт ошибка. Если рост резкий, рандомизация скорости при обучении даст быстрый выигрыш. Прежде чем закладывать метод в план разработки, скачайте документ и сверьте заявления с таблицами результатов.