Control por IA para robots humanoides: un paso hacia la autonomía adaptable

Los robots humanoides han demostrado su capacidad en tareas motoras complejas dentro de entornos controlados, como caminar, correr o realizar acrobacias. Sin embargo, su desempeño en el mundo real, con desafíos como subir escaleras, gatear bajo obstáculos o moverse por terrenos irregulares, requiere más que secuencias de movimientos preprogramadas. Para abordar esta limitación, investigadores de ETH Zurich han desarrollado un nuevo sistema de control basado en IA que permite a un robot humanoide Unitree G1 afrontar estas situaciones sin necesidad de controladores específicos para cada tarea.

El sistema se fundamenta en una política de control única basada en redes neuronales. A diferencia de los enfoques tradicionales que se basan en el aprendizaje por refuerzo puro o la imitación de movimiento, esta propuesta combina las ventajas de ambos. Los métodos de aprendizaje por refuerzo pueden ser difíciles de aplicar a movimientos complejos de cuerpo completo, mientras que la imitación, aunque genera movimientos naturales a partir de demostraciones humanas, no siempre se adapta bien a entornos desconocidos.

Para lograr esta versatilidad, el equipo implementó una técnica denominada planificación de contacto basada en atención. En lugar de predecir cada movimiento articular, el sistema identifica puntos de contacto adecuados para nueve partes del cuerpo del robot, incluyendo manos, codos, rodillas, pies y pelvis. Posteriormente, un controlador independiente coordina los 23 grados de libertad del robot para ejecutar esos planes. El entrenamiento se realiza en tres etapas: primero, el robot aprende movimientos coordinados a partir de datos de movimiento humano; luego, una red neuronal basada en atención aprende a predecir ubicaciones de contacto útiles según el terreno, el estado del robot y su destino; finalmente, el aprendizaje por refuerzo refina estas habilidades en terrenos desconocidos.

Durante la operación, sensores LiDAR integrados proporcionan información detallada del terreno, permitiendo al robot identificar características diminutas como los peldaños de una escalera. Tanto el planificador de contacto como el controlador de cuerpo completo operan a 50 Hz, adaptando continuamente los movimientos al entorno circundante. En simulaciones, el nuevo sistema alcanzó una tasa de éxito del 92.5% en ocho circuitos de obstáculos complejos, superando el 58.8% de un enfoque competitivo de generación de movimiento. Las demostraciones en entornos reales también mostraron la capacidad del robot para recuperarse de saltos fallidos, intentos fallidos de ponerse de pie o quedarse atascado al subir una escalera.

La relevancia de este avance radica en que estos comportamientos emergen de un único controlador de propósito general, en lugar de una colección de habilidades programadas individualmente. Aunque el sistema aún presenta limitaciones, como su enfoque en la navegación local y las interacciones basadas en el terreno, representa un paso prometedor hacia la creación de robots humanoides capaces de desenvolverse en los entornos impredecibles que eventualmente encontrarán fuera del laboratorio.