Investigadores de la Universidad de Illinois en colaboración con la Universidad Simon Fraser han desarrollado una novedosa metodología de aprendizaje para mejorar las capacidades de recuperación de caídas en robots humanoides en el mundo real. Esta nueva técnica demuestra cómo los robots, específicamente el modelo humanoide Unitree G1, pueden levantarse de diferentes posturas tumbadas y en diversos terrenos, retando la fiabilidad de anteriores enfoques manuales de programación de controladores.
Históricamente, la programación manual de los movimientos necesarios para que un robot abandone una posición tumbada supina (boca arriba) o prona (boca abajo) ha resultado ser un desafío, debido a las variaciones en las configuraciones iniciales y los múltiples terrenos sobre los que deben operar los humanoides. Con un marco de aprendizaje que aprovecha un enfoque de dos etapas, los investigadores no solo encontraron una trayectoria de levantamiento efectiva desde diferentes posiciones, sino que también desglosaron estos movimientos en patrones deployables, demostrando su eficacia sobre superficies desiguales como laderas de césped o superficies de losetas de piedra.
Durante el primer estadio, los movimientos fueron descubiertos sin unas restricciones significativas, enfocándose en maximizar la eficiencia del aprendizaje a través de pocos incentivos. Posteriormente, se refinó el control con un enfoque más definido, asegurando movimientos suaves y adecuadamente lentos que minimizan el par requerido, esencial para operaciones seguras y efectivas en el mundo real. Esto permitió que el G1 humanoide superara los resultados mostrados en el Desafío DARPA de Robótica, donde muchas caídas requerían intervención humana.
Los investigadores compararon el rendimiento de esta nueva metodología con controladores manuales preinstalados en G1, mostrando una notable mejora en la capacidad de levantarse de superficies diversas. Con experimentos que respaldan estas afirmaciones, probaron exitosamente en varias superficies y alcanzaron resultados superiores en tasa de éxito, también reduciendo significativamente la energía necesaria en los movimientos.
Es excelente apreciar que la aplicación de enfoques de aprendizaje automático, incluso en tareas aparentemente simples como levantarse, permite a los robots operar con mayor independencia. La mejora continua en esta área no solo hará que los robots sean más autosuficientes, sino que también abrirá la puerta a futuros desarrollos en áreas que aún requieren intervención humana debido a limitaciones tecnológicas actuales.