Publicado el: 25 de febrero de 2025 / Actualización de: 25 de febrero de 2025 - Autor: Konrad Wolfenstein
Desde tropiezos hasta salto mortal en robótica: AI-Upgrade define las habilidades humanoides-imagen: xpert.digital
El futuro de los humanoides: Atlas es a través del aprendizaje de refuerzo más inteligente
Asociación estratégica: Boston Dynamics optimiza el ATLAS para aplicaciones reales
En un anuncio, Boston Dynamics, pionero en el campo del robot dinámico, y el Instituto Robotics & AI (Instituto RAI), una institución de investigación bajo la dirección del famoso experto robótico y ex CEO de Boston Dynamics, Marc Raibert, anunció una Asociación estratégica. El objetivo declarado de esta cooperación, que encontró oficialmente su comienzo en febrero de 2025, es la mejora significativa de las habilidades del avanzado robot humanoide Atlas mediante el uso del aprendizaje de refuerzo (refuerzo del aprendizaje). Esta cooperación promete no solo hacer que Atlas sea más flexible y ágil, sino también para calificarlo para un espectro más amplio de aplicaciones reales y, por lo tanto, allanar el camino para una nueva era de robótica humanoide.
Adecuado para:
Objetivos centrales de la cooperación orientada al futuro
La asociación entre Boston Dynamics y el Instituto RAI se centra en una serie de objetivos ambiciosos que tienen como objetivo transformar las habilidades fundamentales de Atlas y desarrollarla a partir de un impresionante demostrador de investigación en una herramienta variada y práctica. En el centro de estos esfuerzos hay tres áreas principales:
El puente de la brecha simbólica: el camino de la simulación a la realidad
Uno de los mayores desafíos en robótica, especialmente en el área de aprendizaje de refuerzo, es la transferencia de habilidades aprendidas en simulaciones al mundo real. Las simulaciones ofrecen un entorno ideal para los robots de capacitación porque permiten cantidades ilimitadas de datos, control completo sobre el medio ambiente y la posibilidad de simular escenarios peligrosos o intensivos en costo con riesgo. Los robots pueden llevar a cabo innumerables iteraciones de movimientos y tareas en mundos virtuales sin el riesgo de daños o lesiones.
La realidad, por otro lado, es mucho más compleja e impredecible. Los robots físicos operan en un mundo lleno de ruido sensorial, trastornos imprevistos, inexactitudes en el modelado y el desafío constante de la variabilidad. Lo que funciona en una simulación perfectamente controlada puede fallar en la realidad caótica. El "Sim a Real-Lücke" describe exactamente esta discrepancia.
La asociación entre Boston Dynamics y el Instituto RAI se ha establecido el objetivo de cerrar esta brecha utilizando métodos y algoritmos innovadores. Los investigadores están trabajando en el desarrollo de movimientos robustos y generalizables que funcionan de manera confiable no solo en la simulación, sino también en el mundo real. Esto incluye el desarrollo de entornos de simulación avanzados que asignan la realidad física con mayor precisión, así como el uso de técnicas como la aleatorización de dominio y la simulación adaptativa para hacer que los modelos entrenados en simulaciones sean más resistentes a los imponderables del mundo real. El éxito en esta área es crucial para explotar todo el potencial del aprendizaje de refuerzo para la robótica y usar robots en entornos reales y no estructurados.
Mejora de la manipulación loca: el arte del movimiento y la interacción
La capacidad de localizar la manipulación loca, es decir, el transporte simultáneo y la manipulación de objetos, es una capacidad clave para los robots que deberían actuar en entornos complejos y dinámicos. Imagine un robot humanoide que se mueve a través de un almacén para elegir paquetes, o un robot que elimina los escombros en una zona de desastre y, al mismo tiempo, busca sobrevivientes. En todos estos escenarios, es esencial que el robot no solo se mueva de manera eficiente, sino que también pueda interactuar con sus alrededores al mismo tiempo.
Sin embargo, el desarrollo de estrategias avanzadas de manipulación de Loko es un desafío enorme. Requiere una estrecha coordinación entre la planificación del movimiento, la planificación ferroviaria, la planificación del agarre y el nivel de fuerza. El robot debe poder adaptar sus movimientos y manipulaciones a las condiciones en constante cambio de sus alrededores en tiempo real.
Como parte de la asociación, los investigadores desarrollarán estrategias nuevas e innovadoras para elevar las habilidades de manipulación de Loco Atlas a un nuevo nivel. Esto incluye la investigación de algoritmos para la planificación simultánea y la planificación de agarre, el desarrollo de estrategias de control de potencia robustas para la manipulación de varios objetos y la integración de la información sensorial en el bucle de control para permitir la manipulación de reacción rápida y loca adaptativa. La mejora de la manipulación de locos es un paso crucial para hacer que Atlas sea una herramienta realmente versátil y útil para una variedad de aplicaciones.
Investigación sobre estrategias de contacto de cuerpo completo: la sinergia de los pobres y las piernas
Los robots humanoides como Atlas tienen el potencial único de moverse e interactuar de una manera muy similar al movimiento humano. Esta capacidad de integrar todo el cuerpo, incluidos los brazos, las piernas y el fuselaje, en movimientos y tareas complejas, abre oportunidades completamente nuevas para la robótica. Las estrategias de contacto de todo cuerpo van más allá de la simple manipulación con los brazos y usan la sinergia entre los brazos y las piernas para permitir movimientos y tareas de alto rendimiento.
Piense en una persona que lleva un objeto pesado. No solo usa sus brazos, sino también sus piernas, su fuselaje y todo su cuerpo para estabilizar el peso, mantener el equilibrio y transportar el objeto de manera eficiente. Del mismo modo, los robots humanoides deberían poder usar todo su cuerpo para manejar tareas complejas que requieren una estrecha coordinación entre los brazos y las piernas.
Los investigadores se centran en el desarrollo de algoritmos regulatorios avanzados y estrategias de planificación para movimientos y tareas de todo el cuerpo de alto rendimiento. Esto incluye áreas como correr dinámico, saltar, escalar, levantar y transportar objetos pesados, manipulación en habitaciones estrechas y la interacción con entornos complejos. La investigación de las estrategias de contacto de cuerpo completo es de importancia crucial para explotar todo el potencial del factor de forma humanoide y desarrollar robots que puedan moverse e interactuar en el mundo de una manera natural e intuitiva.
La importancia de esta cooperación direccional
La asociación entre Boston Dynamics y el Instituto RAI es de inmensa importancia para la robótica y la comunidad de investigación de IA por varias razones. Primero, combina dos organizaciones líderes en el campo de la robótica, cada una con fortalezas y habilidades únicas. Boston Dynamics es conocido en todo el mundo por sus impresionantes y dinámicas plataformas de robots como Atlas, Spot, Many and Stirk. El Instituto RAI bajo la dirección de Marc Raibert aporta décadas de experiencia en el desarrollo de las principales tecnologías para máquinas inteligentes y en el uso de aprendizaje de refuerzo a problemas robóticos complejos.
Marc Raiber, el fundador del Instituto RAI, es un ícono de la robótica. Como ex CEO de Boston Dynamics, ha moldeado significativamente el desarrollo de la compañía y ha producido algunos de los robots más impresionantes del mundo. La investigación en robótica ha tenido un impacto duradero en su visión de los robots, que pueden moverse tan inteligentes y versátiles en el mundo real como personas y animales. Con la fundación del Instituto RAI, Raiber continúa su misión de expandir los límites de lo posible en robótica y IA.
La colaboración se basa en una base sólida de proyectos conjuntos anteriores, incluido el "Kit de investigadores de aprendizaje de refuerzo" para el lugar robot de cuatro deseos. Este kit permite a los investigadores de todo el mundo desarrollar y probar algoritmos de aprendizaje de refuerzo en la plataforma Spot. El desarrollo e implementación exitosa de este kit ha demostrado que ambas organizaciones pueden trabajar juntas de manera efectiva y desarrollar soluciones innovadoras en el campo del aprendizaje de rehufación para la robótica.
Al usar el aprendizaje de refuerzo para el Atlas, uno de los robots humanoides más avanzados y poderosos del mundo, los socios esperan un progreso significativo en el desarrollo de las habilidades humanoides. El aprendizaje de refuerzo ofrece el potencial de capacitar a los robots, para administrar tareas complejas que serían difíciles de implementar con los enfoques de programación tradicionales. Permite a los robots aprender a través de la interacción con su entorno, adaptarse y mejorar continuamente sus habilidades.
Boston Dynamics y el Instituto RAI se han comprometido a publicar actualizaciones y demostraciones periódicas de su trabajo con Atlas para avanzar en la robótica humanoide accesible para el público en general. Esta transparencia es importante para fortalecer la confianza en la robótica y la investigación de IA y promover la aceptación social de estas tecnologías. Las publicaciones planificadas no solo informarán a la comunidad científica, sino que también inspirarán al público por las fascinantes posibilidades y desafíos de la robótica humanoide.
Investigación y desarrollo conjunto en detalle
La cooperación entre Boston Dynamics y el Instituto RAI se divide en varias áreas centrales de investigación y desarrollo, que están estrechamente vinculadas y se complementan entre sí:
Desarrollo de una tubería de capacitación de aprendizaje de rehollow-up común para Atlas
En el centro de la asociación se encuentra el desarrollo de una tubería de capacitación de aprendizaje de refuerzo de última generación, que se adapta especialmente a las necesidades y habilidades de Atlas. Esta tubería formará la base para el entrenamiento de comportamiento dinámico y generalizable para la manipulación móvil. Incluye todos los pasos del proceso de aprendizaje de refuerzo, desde la definición de funciones de recompensa y la selección de algoritmos adecuados hasta el desarrollo de entornos de simulación y adquisición de datos hasta validación y transferencia del comportamiento aprendido en el robot real.
La tubería de entrenamiento será modular para garantizar la flexibilidad y la adaptabilidad a diversas tareas y entornos. Integrará técnicas avanzadas de aprendizaje de refuerzo, como el aprendizaje de refuerzo profundo, el aprendizaje de refuerzo basado en modelos y el aprendizaje de refuerzo de múltiples agentes para maximizar la eficiencia y la robustez de la capacitación. Un enfoque especial se centrará en el desarrollo de funciones de recompensa que permitan a Atlas aprender tareas complejas sin especificar explícitamente cada paso. Las funciones de recompensa están destinadas a guiar al robot para desarrollar movimientos e interacciones eficientes, naturales y humanos.
Transferencia de Sim-to Real: el puente entre el mundo virtual y real
Como ya se mencionó, la transferencia SIM a Real es uno de los mayores desafíos en el aprendizaje de refuerzo para la robótica. Los equipos trabajarán intensamente para cerrar la brecha entre las simulaciones y el mundo real y garantizar que el comportamiento capacitado en simulaciones pueda transferirse con éxito y de manera confiable al hardware físico.
Esto requiere un enfoque multicoleta, que incluye la mejora de los entornos de simulación y el desarrollo de métodos de transferencia robustos. Los entornos de simulación mejoran continuamente para mapear la realidad física con mayor precisión, incluido el modelado de fricción, contacto, inercia y otros efectos físicos. Al mismo tiempo, las técnicas como la aleatorización del dominio, la identificación del sistema y el control adaptativo se utilizan para que los modelos entrenados en simulaciones sean más resistentes a los imponderables del mundo real. El objetivo es crear una transición perfecta de la simulación a la realidad, para que Atlas pueda usar las habilidades aprendidas en el mundo virtual sin una pérdida significativa de rendimiento en entornos reales.
Centrarse en las habilidades clave para el futuro de la robótica humanoide
La asociación se centra en el desarrollo y la mejora de las habilidades clave que son esenciales para el uso práctico de robots humanoides en entornos reales:
Manipulación de locomotores mejoradas: manejar objetos durante el movimiento
Atlas puede poder manipular objetos y dispositivos como puertas, interruptores, palancas, herramientas y otros objetos mientras se mueve al mismo tiempo. Esta capacidad es crucial para una variedad de aplicaciones, desde la automatización industrial hasta la logística, las operaciones de búsqueda y rescate. Imagine Atlas, que se mueve a través de un terreno áspero y al mismo tiempo elimina los escombros o sirve herramientas para reparar una estructura dañada.
La manipulación loca mejorada requiere el desarrollo de algoritmos, que coordinan la planificación del movimiento, la planificación apasionante y el nivel de fuerza en tiempo real. Atlas debe poder adaptar sus movimientos y manipulaciones a la forma, el tamaño, el peso y la naturaleza de los objetos que manipula. Además, debe poder lidiar con las incertidumbres en la percepción y el área circundante y adaptar dinámicamente sus planes y movimientos. El desarrollo de estas habilidades hará que Atlas sea una herramienta mucho más versátil y más útil para una amplia gama de aplicaciones.
Estrategias de contacto del cuerpo completo: movimientos complejos y cargas pesadas
Los investigadores se centran en el desarrollo de movimientos exigentes de cuerpo completo que van más allá de la simple caminata y alcance. Esto incluye correr dinámico, saltar, escalar, levantar y transportar objetos pesados y manipulación en habitaciones estrechas. Estas habilidades requieren una estrecha coordinación entre los brazos, las piernas y el fuselaje y usan la sinergia de todo el cuerpo para manejar tareas complejas.
La carrera dinámica y el salto permiten a Atlas moverse de manera rápida y eficiente en terrenos desiguales y sobre obstáculos. La escalada extiende su rango y permite el acceso a áreas difíciles. Levantar y usar objetos pesados lo convierte en un ayudante valioso en logística y construcción. La manipulación en las habitaciones estrechas permite el uso en entornos que son difíciles de acceder o peligrosos para los humanos. El desarrollo de estrategias de contacto de cuerpo completo es un paso crucial para explotar todo el potencial del factor de forma humanoide y hacer de Atlas un robot realmente ágil y poderoso.
Implementación práctica y control continuo de progreso
La asociación entre Boston Dynamics y el Instituto RAI otorga gran importancia a una implementación transparente y orientada a la práctica de su trabajo de investigación y desarrollo:
Informes y manifestaciones de progreso regulares
Boston Dynamics y el Instituto RAI se han comprometido a publicar informes de progreso periódicamente que documentan los últimos desarrollos y el éxito de la cooperación. Estos informes no solo incluirán descripciones escritas de progreso, sino también manifestaciones vívidas con Atlas, que muestran las habilidades recién adquiridas en acción. Estas demostraciones se publican en forma de videos y presentaciones y se hacen accesibles para la comunidad científica y el público en general.
Las actualizaciones y demostraciones regulares tienen varios propósitos. Permiten a la comunidad científica seguir el progreso en la robótica humanoide e inspirarse mutuamente. Promoven la transparencia y la confianza en la investigación de la robótica y ayudan a aumentar la aceptación social de estas tecnologías. Además, ofrecen a Boston Dynamics y al Instituto RAI la oportunidad de recibir comentarios de la comunidad y adaptar su dirección de investigación en consecuencia.
Ubicación de la cooperación: Massachusetts, EE. UU.
Todo el trabajo de investigación y desarrollo como parte de la asociación tiene lugar en Massachusetts, donde ambas organizaciones tienen su sede. Esta cercanía espacial promueve una estrecha cooperación e intercambio directo entre los equipos de investigación. Los equipos de Boston Dynamics y el Instituto RAI trabajan en laboratorios comunes y utilizan los recursos e infraestructuras de ambas organizaciones. Esta estrecha integración de equipos y recursos es un factor crucial para el éxito de la asociación y permite que las sinergias se utilicen y promuevan eficientemente el trabajo de investigación y desarrollo.
Nuevas habilidades esperadas de Atlas: una mirada al futuro de la robótica humanoide
Debido a la asociación entre Boston Dynamics y el Instituto RAI, el Atlas Robot está destinado a obtener una serie de nuevas habilidades innovadoras que lo convertirán en una herramienta aún más versátil y útil:
Mobilidad y manipulación mejoradas: agilidad y precisión en movimiento
Locomoción dinámica
Atlas debe poder moverse aún más estable y líquido en terreno desigual, en entornos complejos e incluso en escenarios dinámicos. Esto incluye correr, saltar, escalar y la capacidad de adaptarse a diferentes superficies y condiciones en tiempo real. La locomoción dinámica es posible gracias a los algoritmos regulatorios avanzados y la fusión de datos del sensor que permiten a Atlas mantener su equilibrio, superar los obstáculos y adaptar sus movimientos a la situación respectiva.
Manipulación de cuerpo completo
El robot implementará estrategias avanzadas para el contacto completo de cuerpo completo para poder usar, llevar, mover y manipular objetos pesados de manera precisa y eficiente. Esto requiere una coordinación altamente desarrollada de brazos, piernas y fuselaje para estabilizar el peso, mantener el equilibrio y manejar los objetos de manera segura. La manipulación del cuerpo completo permitirá a Atlas asumir tareas que anteriormente solo se reservaban para las personas, como mover cargas pesadas en almacenes, en sitios de construcción o en zonas de desastre.
Interacción ambiental avanzada: interacción inteligente con el mundo
Manipulación de objetos
Atlas debe aprender a manipular una variedad de objetos y dispositivos en su área, incluidas puertas, interruptores, palancas, válvulas, herramientas, contenedores y mucho más. Esta habilidad le permitirá actuar en entornos humanos y realizar tareas que requieren interacción con la infraestructura existente. La manipulación de objetos requiere habilidades de percepción avanzadas para reconocer, localizar e identificar objetos, así como estrategias sofisticadas de agarre y manipulación para manejarlos de manera segura y eficiente.
Adaptabilidad a materiales y estructuras
El robot podrá adaptar automáticamente e inteligentemente su fuerza, velocidad y movimientos a diferentes materiales y estructuras sin dañarlos ni destruirlos. Esto es crucial para la interacción segura y confiable con el mundo real, en el que los robots encontrarán una variedad de superficies, materiales y objetos. La adaptabilidad se logra mediante el uso de sensores de resistencia y par, sensores táctiles y algoritmos regulatorios avanzados que permiten a Atlas monitorear y adaptar sus interacciones en tiempo real.
Capacidad y generalización de aprendizaje: la base de futuras innovaciones
Aprendizaje más eficiente a través del aprendizaje de refuerzo:
El uso de técnicas avanzadas de aprendizaje de la puridad de consumo está destinado a permitir que Atlas aprenda nuevas habilidades mucho más rápido y más eficiente que antes. Esto incluye el desarrollo de algoritmos que aceleran el aprendizaje, los datos
Adecuado para:
Su socio global de marketing y desarrollo empresarial
☑️ Nuestro idioma comercial es inglés o alemán.
☑️ NUEVO: ¡Correspondencia en tu idioma nacional!
Konrad Wolfenstein
Estaré encantado de servirle a usted y a mi equipo como asesor personal.
Puedes ponerte en contacto conmigo rellenando el formulario de contacto o simplemente llámame al +49 89 89 674 804 (Múnich) . Mi dirección de correo electrónico es: wolfenstein ∂ xpert.digital
Estoy deseando que llegue nuestro proyecto conjunto.