Diterbitkan pada: 18 Maret 2025 / Diperbarui pada: 18 Maret 2025 – Penulis: Konrad Wolfenstein
Kontrol Robot Humanoid untuk Berdiri: Dengan HoST, robot humanoid belajar berdiri – Terobosan bagi robot dalam kehidupan sehari-hari – Gambar: humanoid-standingup.github.io
Lebih dari sekadar bangun: HoST membuka jalan bagi robot humanoid otonom dan serbaguna
Dari simulasi ke realitas: Bagaimana HoST mengajarkan robot humanoid untuk berdiri secara mandiri
Dalam dunia robot humanoid yang menakjubkan, di mana mesin semakin meniru kemampuan manusia, sebuah keterampilan yang tampaknya sederhana namun sangat penting memainkan peran sentral: berdiri. Bagi kita manusia, ini adalah hal yang alami, gerakan tanpa sadar yang kita lakukan berkali-kali setiap hari. Tetapi bagi robot humanoid, berdiri adalah tantangan kompleks yang membutuhkan sistem kontrol canggih, sensor presisi, dan algoritma cerdas. Kemampuan ini bukan hanya demonstrasi yang mengesankan dari kehebatan teknik, tetapi juga prasyarat penting bagi robot humanoid untuk menemukan tempatnya dalam kehidupan sehari-hari kita dan mendukung kita dalam berbagai tugas.
Kemampuan untuk berdiri dari berbagai posisi jauh lebih dari sekadar fitur tambahan yang bagus. Ini adalah fondasi bagi otonomi dan fleksibilitas robot humanoid. Bayangkan sebuah robot membantu Anda di sekitar rumah, membantu perawatan, atau bekerja di lingkungan yang berbahaya. Dalam semua skenario ini, kemampuan untuk berdiri secara mandiri dari berbagai posisi sangat penting. Robot yang hanya berfungsi dalam posisi awal yang ideal dan menjadi tidak berdaya setelah jatuh, sama sekali tidak berguna di dunia nyata. Oleh karena itu, mengembangkan strategi berdiri yang kuat dan serbaguna merupakan langkah kunci dalam membawa robot humanoid dari laboratorium penelitian ke dunia nyata.
Pendekatan sebelumnya untuk memecahkan masalah ini sering kali mencapai batasnya. Banyak yang bergantung pada urutan gerakan yang diprogram dengan susah payah yang berfungsi di lingkungan terkontrol tetapi dengan cepat mencapai batasnya dalam realitas yang tidak dapat diprediksi. Sistem yang kaku ini tidak fleksibel, tidak mampu beradaptasi dengan kondisi yang berubah, dan gagal total ketika robot mendarat di posisi yang tidak terduga atau di tanah yang tidak rata. Pendekatan lain menggunakan lingkungan simulasi yang kompleks, tetapi hasilnya sering kali sulit untuk ditransfer ke robot nyata. Lompatan dari simulasi ke realitas, yang disebut "transfer simulasi ke nyata," terbukti menjadi hambatan bagi banyak pendekatan penelitian yang menjanjikan.
Dalam konteks ini, kerangka kerja inovatif muncul yang secara fundamental dapat mengubah cara kita berpikir tentang robot humanoid yang berdiri: HoST, singkatan dari Humanoid Standing-up Control. HoST lebih dari sekadar metode lain; ini adalah pergeseran paradigma. Dikembangkan oleh konsorsium universitas ternama di Asia , termasuk Universitas Shanghai Jiao Tong, Universitas Hong Kong, Universitas Zhejiang, dan Universitas Tiongkok Hong Kong, HoST mematahkan pendekatan tradisional dan menciptakan jalur yang sepenuhnya baru untuk mengajari robot humanoid berdiri—dengan cara yang sangat serbaguna, kuat, dan realistis.
Cocok untuk:
HoST: Sebuah kerangka kerja yang belajar dari kesalahan
Inti dari inovasi HoST terletak pada penerapan pembelajaran penguatan (reinforcement learning/RL), sebuah metode pembelajaran mesin yang terinspirasi oleh cara manusia dan hewan belajar. Bayangkan mengajari seorang anak mengendarai sepeda. Anda tidak memberikan instruksi terperinci untuk setiap gerakan otot; sebaliknya, Anda membiarkan mereka mencoba saja. Jika anak itu jatuh, mereka memperbaiki gerakan mereka pada percobaan berikutnya. Melalui coba-coba, melalui umpan balik positif dan negatif, anak itu secara bertahap belajar menguasai sepeda. Pembelajaran penguatan bekerja berdasarkan prinsip yang serupa.
Dalam proyek HoST, sebuah robot humanoid ditempatkan dalam lingkungan simulasi dan diberi tugas untuk berdiri dari berbagai posisi. Robot tersebut bertindak sebagai "agen" dalam lingkungan ini, melakukan tindakan, dalam hal ini, gerakan sendi dan tubuhnya. Untuk setiap tindakan, ia menerima "hadiah" atau "hukuman," tergantung pada keberhasilannya. Berdiri menghasilkan hadiah positif, sementara jatuh atau melakukan gerakan yang tidak diinginkan menghasilkan hadiah negatif. Melalui percobaan yang tak terhitung jumlahnya, perolehan pengalaman, dan optimasi strategi, robot secara bertahap belajar untuk mengembangkan strategi berdiri terbaik.
Perbedaan krusial dari pendekatan berbasis RL sebelumnya adalah bahwa HoST belajar dari awal. Ia tidak menggunakan jalur pergerakan yang telah diprogram sebelumnya, tidak ada demonstrasi manusia, atau pengetahuan sebelumnya lainnya. Robot memulai dari nol dan mengembangkan strategi berdirinya sepenuhnya secara independen. Ini merupakan kemajuan mendasar karena memungkinkan sistem untuk menemukan solusi yang mungkin jauh melampaui apa yang dapat dipikirkan oleh para insinyur manusia. Lebih jauh lagi, hal ini membuat sistem sangat mudah beradaptasi, karena tidak bergantung pada asumsi yang kaku atau bias manusia.
Keajaiban arsitektur multi-kritis
Elemen kunci lain dari inovasi HoST adalah arsitektur multi-kritik. Untuk memahami hal ini, kita perlu secara singkat meneliti cara kerja pembelajaran penguatan (reinforcement learning). Dalam sistem RL tipikal, terdapat dua komponen utama: aktor dan kritikus. Aktor, bisa dibilang, adalah otak robot, yang memilih tindakan dan memutuskan gerakan mana yang harus dilakukan. Kritikus mengevaluasi tindakan aktor dan memberikan umpan balik. Kritikus memberi tahu aktor apakah tindakannya baik atau buruk dan bagaimana tindakan tersebut dapat ditingkatkan. Dalam pendekatan RL tradisional, biasanya hanya ada satu kritikus.
HoST mematahkan konvensi ini dan sebagai gantinya mengandalkan beberapa kritikus khusus. Bayangkan bahwa bangun dari posisi berdiri melibatkan beberapa aspek penting: menjaga keseimbangan, mengambil postur yang benar, mengoordinasikan persendian, dan mengendalikan momentum rotasi. Masing-masing aspek ini dapat dievaluasi oleh "pakar"nya sendiri. Inilah tepatnya yang dilakukan arsitektur multi-kritik. HoST menggunakan beberapa jaringan kritikus, masing-masing mengkhususkan diri dalam aspek spesifik dari proses berdiri. Misalnya, satu kritikus dapat mengevaluasi keseimbangan, yang lain koordinasi persendian, dan yang ketiga momentum rotasi.
Pembagian menjadi kritikus khusus ini telah terbukti sangat efektif. Ini memecahkan masalah yang sering muncul dalam sistem manajemen pembelajaran tradisional: interferensi negatif. Ketika seorang kritikus tunggal mencoba mengevaluasi semua aspek tugas yang kompleks secara bersamaan, konflik dan kebingungan dapat terjadi. Berbagai tujuan pembelajaran dapat saling menghambat, memperlambat atau bahkan menyebabkan proses pembelajaran gagal. Arsitektur multi-kritik mengatasi masalah ini dengan memecah tugas pembelajaran menjadi sub-tugas yang lebih kecil dan lebih mudah dikelola serta menugaskan kritikus khusus untuk setiap sub-tugas. Aktor kemudian menerima umpan balik dari semua kritikus dan belajar untuk menggabungkan berbagai aspek dalam proses belajar secara optimal.
Arsitektur multi-kritik ini sangat relevan untuk tugas kompleks berdiri. Berdiri membutuhkan berbagai keterampilan motorik halus dan kontrol momentum rotasi yang tepat untuk menjaga keseimbangan dan menghindari jatuh. Melalui kritik khusus yang dimilikinya, HoST dapat secara spesifik melatih dan mengoptimalkan berbagai aspek berdiri ini, menghasilkan hasil yang jauh lebih baik daripada pendekatan konvensional yang menggunakan satu kritik saja. Para peneliti telah menunjukkan dalam studi mereka bahwa arsitektur multi-kritik memungkinkan peningkatan kinerja yang signifikan dan memungkinkan HoST untuk mengembangkan strategi berdiri yang tidak mungkin dicapai dengan metode konvensional.
Pembelajaran Kurikulum: Dari Sederhana hingga Kompleks
Kunci sukses lain dari HoST adalah pelatihan berbasis kurikulum. Metode ini didasarkan pada proses pembelajaran manusia, di mana kita memperoleh keterampilan kompleks selangkah demi selangkah, dimulai dari dasar-dasar sederhana dan kemudian secara bertahap meningkatkan kemampuan kita ke tugas-tugas yang lebih sulit. Bayangkan kembali contoh mengendarai sepeda. Sebelum seorang anak belajar mengendarai sepeda roda dua, mereka mungkin terlebih dahulu belajar menyeimbangkan diri di atas sepeda keseimbangan atau menggunakan roda bantu. Latihan persiapan ini memfasilitasi proses pembelajaran selanjutnya dan memastikan kemajuan yang lebih cepat dan lebih sukses.
HoST menerapkan prinsip serupa. Robot tidak langsung dihadapkan pada tugas tersulit sejak awal—yaitu, berdiri dari posisi apa pun di permukaan apa pun. Sebaliknya, robot menjalani kurikulum bertingkat di mana tugas-tugas secara bertahap menjadi lebih kompleks. Pelatihan dimulai dengan skenario sederhana, seperti berdiri dari posisi berbaring di lantai datar. Setelah robot menguasai tugas ini, kondisinya menjadi semakin menantang. Posisi awal baru ditambahkan, seperti berdiri dari posisi duduk atau dari posisi berbaring dan bersandar di dinding. Permukaan juga bervariasi, dari lantai datar hingga permukaan yang sedikit tidak rata dan akhirnya ke medan yang lebih menantang.
Pelatihan berbasis kurikulum ini menawarkan beberapa keunggulan. Pertama, pelatihan ini memungkinkan eksplorasi ruang solusi yang lebih efisien. Robot awalnya berfokus pada aspek fundamental berdiri dan belajar menguasainya dalam skenario sederhana. Hal ini mempercepat proses pembelajaran, memungkinkan robot mencapai tingkat kinerja yang baik dengan lebih cepat. Kedua, kurikulum meningkatkan kemampuan generalisasi model. Dengan secara bertahap mengekspos robot pada tugas-tugas yang lebih beragam dan kompleks, robot belajar beradaptasi dengan berbagai situasi dan mengembangkan strategi berdiri yang kuat yang berfungsi tidak hanya dalam lingkungan ideal tetapi juga di lingkungan dunia nyata. Variasi kondisi pelatihan sangat penting untuk ketahanan sistem di dunia nyata, di mana permukaan dan posisi awal yang tidak dapat diprediksi adalah hal yang biasa, bukan pengecualian.
Cocok untuk:
Realisme melalui pembatasan pergerakan
Aspek penting lain dari HoST adalah pertimbangannya terhadap penerapan di dunia nyata. Meskipun simulasi merupakan alat yang ampuh untuk pelatihan robot, dunia nyata jauh lebih kompleks dan tidak dapat diprediksi. Untuk berhasil menjembatani kesenjangan antara simulasi dan realitas, HoST menerapkan dua batasan pergerakan penting yang memastikan strategi yang dipelajari dapat diterapkan pada perangkat keras nyata tanpa merusak robot.
Kendala pertama adalah regularisasi kehalusan. Tujuannya adalah untuk mengurangi gerakan osilasi. Dalam simulasi, robot dapat melakukan gerakan yang akan bermasalah di dunia nyata. Misalnya, mereka mungkin melakukan gerakan tersentak-sentak dan goyah yang dapat merusak perangkat keras fisik atau menyebabkan perilaku yang tidak stabil. Regularisasi kehalusan memastikan bahwa gerakan yang dipelajari lebih halus dan lebih lancar, yang tidak hanya lebih ramah terhadap perangkat keras tetapi juga menghasilkan perilaku berdiri yang lebih alami dan stabil.
Batasan kedua adalah batas kecepatan implisit. Ini mencegah gerakan yang terlalu cepat atau tiba-tiba. Sekali lagi, simulasi sering kali merepresentasikan kondisi ideal di mana robot dapat melakukan gerakan dengan kecepatan yang tidak realistis. Namun, di dunia nyata, gerakan tiba-tiba seperti itu dapat merusak robot, misalnya, dengan membebani motor secara berlebihan atau merusak sambungan. Batas kecepatan memastikan bahwa gerakan yang dipelajari tetap berada dalam batas fisik perangkat keras nyata dan tidak membahayakan robot.
Pembatasan pergerakan ini sangat penting untuk transfer pengetahuan dari simulasi ke dunia nyata. Pembatasan ini memastikan bahwa strategi yang dipelajari dalam simulasi tidak hanya berfungsi secara teoritis, tetapi juga dapat diimplementasikan secara praktis pada robot nyata tanpa membebani atau merusak perangkat keras. Ini merupakan langkah penting dalam menjembatani kesenjangan antara simulasi dan realitas serta mempersiapkan robot humanoid untuk digunakan di dunia nyata.
Tes praktik: HoST pada Unitree G1
Uji coba sebenarnya dari metode pengendalian robot apa pun adalah implementasi praktisnya pada perangkat keras nyata. Untuk mendemonstrasikan kemampuan HoST, para peneliti mentransfer strategi pengendalian yang dipelajari dalam simulasi ke robot humanoid Unitree G1. Unitree G1 adalah platform humanoid canggih yang dicirikan oleh kelincahan, kekokohan, dan desain realistisnya. Ini adalah platform pengujian ideal untuk mengevaluasi kemampuan HoST di dunia nyata.
Hasil uji praktis sangat mengesankan dan mengkonfirmasi efektivitas pendekatan HoST. Robot Unitree G1, yang dikendalikan oleh HoST, menunjukkan kemampuan berdiri yang luar biasa dari berbagai posisi. Robot tersebut berhasil berdiri dari posisi berbaring, duduk, berlutut, dan bahkan dari posisi bersandar pada benda atau di tanah yang tidak rata. Transfer kemampuan simulasi ke dunia nyata hampir tanpa hambatan, menyoroti kualitas tinggi transfer simulasi ke dunia nyata dari HoST.
Yang patut diperhatikan adalah ketahanan terhadap gangguan yang ditunjukkan oleh Unitree G1 yang dikendalikan HoST. Dalam uji eksperimental, robot tersebut dikenai gaya eksternal, seperti guncangan dan benturan. Robot tersebut dihadapkan dengan rintangan yang menghalangi kemampuannya untuk berdiri. Robot tersebut bahkan diberi beban berat (hingga 12 kg) untuk menguji stabilitas dan kapasitas menahan bebannya. Dalam semua situasi ini, robot menunjukkan ketahanan yang luar biasa dan berhasil menegakkan dirinya sendiri tanpa kehilangan keseimbangan atau jatuh.
Sebuah video demonstrasi yang mengesankan dengan jelas menggambarkan ketangguhan HoST. Video tersebut menunjukkan seseorang mendorong dan menendang robot Unitree G1 saat robot tersebut berdiri. Terlepas dari gangguan yang signifikan ini, robot tetap tenang. Robot tersebut mengoreksi gerakannya secara real-time, beradaptasi dengan benturan yang tak terduga, dan akhirnya berdiri dengan aman dan stabil. Demonstrasi ini secara mengesankan menggambarkan penerapan praktis dan keandalan sistem HoST di lingkungan dunia nyata yang tidak dapat diprediksi.
Cocok untuk:
Studi ablasi: Interaksi antar komponen
Untuk meneliti signifikansi komponen individual HoST secara lebih mendalam, para peneliti melakukan studi ablasi yang ekstensif. Dalam studi ini, elemen-elemen individual dari kerangka kerja HoST dihilangkan atau dimodifikasi untuk menganalisis dampaknya terhadap kinerja keseluruhan. Hasil studi ini memberikan wawasan berharga tentang fungsionalitas HoST dan menegaskan pentingnya inovasi intinya.
Temuan kunci dari studi ablasi adalah konfirmasi peran penting arsitektur multi-kritik. Ketika para peneliti memodifikasi sistem untuk hanya menggunakan satu kritikus, sistem tersebut gagal total. Sistem tersebut tidak lagi mampu mempelajari pola berdiri yang berhasil, dan robot tetap berbaring tanpa daya dalam sebagian besar kasus. Hasil ini menggarisbawahi pentingnya arsitektur multi-kritik untuk kinerja HoST dan menegaskan bahwa kritikus khusus memang memberikan kontribusi signifikan terhadap keberhasilan pembelajaran.
Pelatihan berbasis kurikulum juga terbukti menjadi faktor kunci keberhasilan dalam studi ablasi. Ketika para peneliti mengganti kurikulum dengan pelatihan acak tanpa peningkatan kesulitan secara bertahap, kinerja sistem menurun secara signifikan. Robot belajar lebih lambat, mencapai tingkat kinerja yang lebih rendah, dan kurang tangguh terhadap posisi awal dan permukaan yang berbeda. Hal ini menegaskan asumsi bahwa pelatihan berbasis kurikulum meningkatkan efisiensi proses pembelajaran dan meningkatkan kemampuan generalisasi model.
Pembatasan pergerakan yang diterapkan juga memberikan kontribusi signifikan terhadap kinerja keseluruhan, khususnya terkait dengan penerapan praktis. Ketika para peneliti menghilangkan regularisasi kelancaran dan batasan kecepatan pergerakan, robot masih mempelajari strategi pemulihan dalam simulasi, tetapi strategi ini kurang stabil di dunia nyata dan lebih sering mengakibatkan jatuh atau gerakan tersentak-sentak yang tidak diinginkan. Hal ini menunjukkan bahwa meskipun pembatasan pergerakan sedikit membatasi fleksibilitas sistem dalam simulasi, pembatasan tersebut sangat penting di dunia nyata untuk memastikan perilaku yang kuat, aman, dan ramah perangkat keras.
HoST: Landasan bagi robot humanoid serbaguna
Kemampuan untuk berdiri dari berbagai posisi mungkin tampak sepele pada pandangan pertama, tetapi sebenarnya merupakan bagian fundamental dari teka-teki untuk mengembangkan robot humanoid yang benar-benar serbaguna dan otonom. Kemampuan ini menjadi dasar untuk integrasi ke dalam sistem pergerakan dan manipulasi yang lebih kompleks dan membuka banyak kemungkinan aplikasi baru. Bayangkan sebuah robot yang tidak hanya dapat berdiri, tetapi juga bergerak dengan lancar di antara berbagai tugas – bangun dari sofa, berjalan ke meja, menggenggam benda, menghindari rintangan, dan bangkit kembali jika tersandung. Interaksi tanpa hambatan dengan lingkungan seperti ini, yang merupakan naluri alami bagi kita manusia, adalah tujuan dari robotika humanoid, dan HoST membawa kita selangkah lebih dekat untuk mencapainya.
Dengan HoST, robot humanoid dapat digunakan di berbagai bidang di masa depan di mana bentuk manusia dan kemampuan mereka untuk berinteraksi dengan lingkungan manusia memberikan keuntungan. Dalam perawatan, mereka dapat mendukung orang lanjut usia atau orang sakit, membantu mereka bangun dan duduk, memberikan barang, atau membantu pekerjaan rumah tangga. Di sektor jasa, mereka dapat digunakan di hotel, restoran, atau toko untuk melayani pelanggan, mengangkut barang, atau memberikan informasi. Di lingkungan berbahaya, seperti bantuan bencana atau pabrik industri, mereka dapat mengambil alih tugas-tugas yang terlalu berisiko atau berat bagi manusia.
Selain itu, kemampuan untuk bangkit kembali sangat penting untuk pemulihan setelah jatuh. Jatuh adalah masalah umum bagi robot humanoid, terutama di lingkungan yang tidak rata atau dinamis. Robot yang tidak dapat bangkit sendiri setelah jatuh akan cepat menjadi tidak berdaya di lingkungan seperti itu. HoST menawarkan solusi di sini, karena memungkinkan robot untuk berdiri tegak kembali bahkan dari posisi yang tidak terduga dan melanjutkan tugasnya. Hal ini meningkatkan keandalan dan keamanan robot humanoid, menjadikannya alat yang lebih tangguh dan praktis.
HoST membuka jalan bagi generasi baru robot humanoid
HoST lebih dari sekadar evolusi dari metode yang sudah ada; ini merupakan terobosan signifikan dalam pengendalian robot humanoid. Melalui penggunaan inovatif pembelajaran penguatan (reinforcement learning) dengan arsitektur multi-kritis dan pelatihan berbasis kurikulum, metode ini mengatasi keterbatasan pendekatan sebelumnya, memungkinkan robot untuk berdiri dari berbagai posisi dan di berbagai permukaan. Keberhasilan transfer dari simulasi ke robot nyata, yang ditunjukkan pada Unitree G1, dan ketahanannya yang mengesankan terhadap gangguan menggarisbawahi potensi besar metode ini untuk aplikasi praktis.
HoST merupakan langkah penting menuju robot humanoid yang tidak hanya mengesankan di laboratorium tetapi juga dapat menawarkan nilai tambah nyata di dunia nyata. Teknologi ini membawa kita lebih dekat pada visi masa depan di mana robot humanoid terintegrasi secara mulus ke dalam kehidupan sehari-hari kita, mendukung kita dalam berbagai tugas dan membuat hidup kita lebih aman, nyaman, dan efisien. Dengan teknologi seperti HoST, gagasan futuristik tentang robot humanoid yang menemani kita dalam kehidupan sehari-hari menjadi semakin nyata.
Cocok untuk:
Mitra pemasaran global dan pengembangan bisnis Anda
☑️ Bahasa bisnis kami adalah Inggris atau Jerman
☑️ BARU: Korespondensi dalam bahasa nasional Anda!
Konrad Wolfenstein
Saya akan dengan senang hati melayani Anda dan tim saya sebagai penasihat pribadi.
Anda dapat menghubungi saya dengan mengisi formulir kontak atau cukup hubungi saya di +49 89 89 674 804 (Munich) . Alamat email saya adalah: wolfenstein ∂ xpert.digital
Saya menantikan proyek bersama kita.
