Nova Estrutura Permite Robôs se Recuperarem Rápido

Crédito: Xialin He et al

Robôs humanoides, projetados para se assemelharem ao corpo humano, estão se tornando cada vez mais capazes de lidar com eficiência com diversas tarefas em ambientes do mundo real. Avanços em seus algoritmos de controle levaram a melhorias significativas, permitindo que muitos se movam mais rápido e imitem movimentos semelhantes aos humanos de forma mais eficaz.

Como os robôs humanoides são projetados para andar e correr como humanos, equilibrando-se em duas pernas, eles podem ocasionalmente colidir com objetos ou tropeçar em superfícies irregulares, fazendo-os cair. Ao contrário dos humanos, que podem se levantar rapidamente, esses robôs às vezes lutam para se recuperar e precisam de assistência humana.

Uma Estrutura de Aprendizado de Máquina para recuperação autônoma

Para enfrentar esse desafio, pesquisadores da Universidade de Illinois Urbana-Champaign desenvolveram uma estrutura de aprendizado de máquina que permite que robôs humanoides se levantem e se recuperem autonomamente após uma queda. Detalhado em um artigo no servidor de pré-impressão arXiv, essa estrutura pode aumentar a autonomia do robô e dar suporte à sua implantação em larga escala no futuro.

“Projetar controladores para recuperação é desafiador devido às inúmeras posições que um robô humanoide pode assumir após uma queda e aos terrenos complexos que eles devem navegar”, escreveram Xialin He, Runpei Dong e seus colegas em seu artigo. “Este estudo introduz uma estrutura de aprendizado que gera controladores, permitindo que robôs humanoides se levantem de diversas posições em diferentes terrenos.”

Resultados do mundo real. Avaliamos o HumanUP (nosso) em várias configurações do mundo real que abrangem diversas propriedades de superfície, incluindo superfícies artificiais e naturais, e cobrem uma ampla gama de rugosidade (concreto áspero a neve escorregadia), irregularidade (concreto plano a ladrilhos), conformidade do solo (concreto completamente firme a grama lamacenta pantanosa) e declive (plano a cerca de 10 ∘). Comparamos o HumanUP com o controlador de levantamento integrado do G1 e nosso HumanUP sem randomização de postura (PR). O HumanUP tem sucesso de forma mais consistente (78,3% vs. 41,7%) e pode resolver terrenos que o controlador do G1 não consegue. Crédito: arXiv (2025). DOI: 10.48550/arxiv.2502.12152

A equipe de pesquisa desenvolveu uma estrutura chamada HUMANUP, que utiliza uma abordagem de aprendizado por reforço (RL). Este método aprimora a capacidade dos robôs humanoides de se levantar, independentemente de sua posição após uma queda.

“Ao contrário de sucessos anteriores no aprendizado de locomoção humanoide, a tarefa de se levantar envolve padrões de contato intrincados, exigindo modelagem precisa de colisão e recompensas mais esparsas”, escreveram He, Dong e seus colegas. “Nós enfrentamos esses desafios usando uma abordagem de duas fases, baseada em currículo.”

Aprendizado em dois estágios para recuperação eficaz

A estrutura HUMANUP RL opera em dois estágios. No primeiro estágio, ele prioriza a descoberta de trajetórias efetivas de membros que permitem que um robô se levante enquanto impõe restrições mínimas à suavidade do movimento ou velocidade de execução.

Visualização do resultado da postura de levantar-se de bruços de Tao et al. [65]. O movimento gerado pelo método [65] é altamente instável e inseguro, e continua tremendo e pulando durante a fase de levantar. Crédito: arXiv (2025). DOI: 10.48550/arxiv.2502.12152

Na segunda fase, a estrutura refina os movimentos identificados no estágio inicial, transformando-os em movimentos suaves e controlados que o robô pode executar. Esses movimentos otimizados devem permanecer eficazes independentemente da posição do robô ou do terreno onde ele caiu.

Testes no Mundo Real no robô Unitree G1

Os pesquisadores avaliaram sua estrutura em simulações e cenários do mundo real, implementando-a no robô humanoide Unitree G1, um sistema avançado desenvolvido pela empresa chinesa Unitree Robotics. Seus resultados foram altamente promissores, demonstrando que a abordagem permitiu que o robô se recuperasse autonomamente de quedas, independentemente de sua posição ou da superfície em que pousou.

“Descobrimos que essas inovações permitem que um robô humanoide G1 do mundo real se levante de duas posições principais: (a) deitado de bruços e (b) deitado de bruços. Ambos os cenários foram testados em várias superfícies, incluindo terrenos planos, deformáveis ​​e escorregadios e declives, como inclinações gramadas e campos de neve”, escreveram He, Dong e seus colegas. “Até onde sabemos, esta é a primeira demonstração bem-sucedida no mundo real de políticas de levantamento aprendidas para robôs humanoides de tamanho humano.”

A estrutura promissora desenvolvida por He, Dong e sua equipe pode em breve ser refinada e aplicada a outros robôs humanoides, permitindo que eles se recuperem autonomamente de quedas. Esses avanços podem acelerar o desenvolvimento de robôs humanoides, apoiando sua adoção mais ampla em aplicações do mundo real.

Leia o Artigo Original TechXplore

Leia mais A NASA pode ter Descoberto o Sistema Planetário Mais Rápido