Un nuevo marco de aprendizaje permite a los robots humanoides recuperarse rápidamente y levantarse tras una caída

By Marcílio Santos Ciencias, Robótica 0 Comments

Los robots humanoides, diseñados para parecerse al cuerpo humano, son cada vez más capaces de realizar con eficacia diversas tareas en entornos reales. Los avances en sus algoritmos de control han dado lugar a mejoras significativas que permiten a muchos moverse más rápido e imitar movimientos humanos con mayor eficacia.

Dado que los robots humanoides están diseñados para caminar y correr como los humanos, en equilibrio sobre dos piernas, pueden chocar ocasionalmente con objetos o tropezar en superficies irregulares, provocando su caída. A diferencia de los humanos, que pueden recuperarse rápidamente, a estos robots a veces les cuesta recuperarse y necesitan ayuda humana.

Un marco de aprendizaje automático para la recuperación autónoma

Para resolver este problema, investigadores de la Universidad de Illinois Urbana-Champaign han desarrollado un marco de aprendizaje automático que permite a los robots humanoides levantarse y recuperarse de forma autónoma tras una caída. Detallado en un artículo publicado en el servidor de preimpresiones arXiv, este marco podría mejorar la autonomía de los robots y facilitar su despliegue a gran escala en el futuro.

«Diseñar controladores para la recuperación es un reto debido a las numerosas posiciones que puede adoptar un robot humanoide tras una caída y a la complejidad de los terrenos por los que debe desplazarse», escriben Xialin He, Runpei Dong y sus colegas en su artículo. «Este estudio introduce un marco de aprendizaje que genera controladores, lo que permite a los robots humanoides levantarse desde diversas posiciones a través de diferentes terrenos».

Real-world results. We evaluate HumanUP (ours) in several real-world setups that span diverse surface properties, including both man-made and natural surfaces, and cover a wide range of roughness (rough concrete to slippery snow), bumpiness (flat concrete to tiles), ground compliance (completely firm concrete to being swampy muddy grass), and slope (flat to about 10 ∘ ). We compare HumanUP with G1’s built-in getting-up controller and our HumanUP w/o posture randomization (PR). HumanUP succeeds more consistently (78.3% vs. 41.7%) and can solve terrains that the G1’s controller can’t. Credit: *arXiv* (2025). DOI: 10.48550/arxiv.2502.12152

El equipo de investigación desarrolló un marco denominado HUMANUP, que utiliza un enfoque de aprendizaje por refuerzo (RL). Este método mejora la capacidad de los robots humanoides para levantarse, independientemente de su posición tras una caída.

«A diferencia de los éxitos anteriores en el aprendizaje de la locomoción de humanoides, la tarea de levantarse implica patrones de contacto intrincados, que requieren un modelado preciso de las colisiones y recompensas más escasas», escriben He, Dong y sus colegas. «Abordamos estos retos utilizando un enfoque de dos fases basado en el currículo».

Aprendizaje en dos fases para una recuperación eficaz

El sistema HUMANUP RL funciona en dos fases. En la primera, da prioridad al descubrimiento de trayectorias eficaces de las extremidades que permitan a un robot ponerse de pie imponiendo restricciones mínimas a la suavidad del movimiento o a la velocidad de ejecución.

Getting-up from prone pose result visualization of Tao et al. [65]. The motion generated by method [65] is highly unstable and unsafe, and it keeps jittering and jumping during the getting-up phase. Credit: *arXiv* (2025). DOI: 10.48550/arxiv.2502.12152

En la segunda fase, el marco refina los movimientos identificados en la etapa inicial, transformándolos en movimientos suaves y controlados que el robot pueda ejecutar. Estos movimientos optimizados deben seguir siendo eficaces independientemente de la posición del robot o del terreno en el que haya caído.

Pruebas reales con el robot Unitree G1

Los investigadores evaluaron su marco tanto en simulaciones como en escenarios reales, implementándolo en el robot humanoide Unitree G1, un avanzado sistema desarrollado por la empresa china Unitree Robotics. Los resultados fueron muy prometedores y demostraron que el método permitía al robot recuperarse de las caídas de forma autónoma, independientemente de su posición o de la superficie sobre la que aterrizara.

«Descubrimos que estas innovaciones permiten a un robot humanoide G1 del mundo real levantarse desde dos posiciones clave: (a) tumbado boca arriba y (b) tumbado boca abajo. Ambos escenarios se probaron en diversas superficies, incluidos terrenos planos, deformables y resbaladizos, y pendientes como inclinaciones cubiertas de hierba y campos nevados», escribieron He, Dong y sus colegas. «Hasta donde sabemos, ésta es la primera demostración con éxito en el mundo real de políticas aprendidas de levantamiento para robots humanoides de tamaño humano».

El prometedor marco desarrollado por He, Dong y su equipo podría perfeccionarse pronto y aplicarse a otros robots humanoides, permitiéndoles recuperarse de las caídas de forma autónoma. Estos avances podrían acelerar el desarrollo de robots humanoides y facilitar su adopción en aplicaciones reales.

Read the original article on: TechXplore

Un nuevo marco de aprendizaje permite a los robots humanoides recuperarse rápidamente y levantarse tras una caída