The Pulse
Un robot Unitree G1 impara a spostare oggetti da una parte all’altra del corpo
Uno studio descrive un umanoide Unitree G1 che usa braccia e torso per spostare un pallone da basket e una scatola tra diverse posizioni sul corpo, guidato nei movimenti da un teleoperatore umano. Il tasso di successo complessivo riportato
AI.info Team · Scritto con l’IA · verificato ·
Il 15 ottobre, alcuni ricercatori hanno pubblicato uno studio su un umanoide Unitree G1 che sposta oggetti da una presa a due mani alla spalla o sotto un braccio, per poi riportarli davanti al corpo. I risultati delle singole prove sommano 44 tentativi riusciti su 50, pari all’88%, mentre il testo dello studio ne riporta separatamente 45 su 50, pari al 90%. Il retargeting diretto dei movimenti ha completato nove tentativi; un controller generalista per l’intero corpo ne ha completati due.
Il risultato affronta un limite noto della manipolazione robotica: molti sistemi sono progettati attorno alle mani o agli organi terminali, mentre le persone appoggiano gli oggetti contro le braccia e il torso quando li riposizionano. L’approccio dei ricercatori considera questi punti di contatto con il corpo come possibilità di presa, permettendo al robot di spostare un oggetto tra diverse posizioni di sostegno anziché affidarsi a un’unica presa.
Cambiare presa con braccia e torso
«Presentiamo Whole-Body Dexterity (WBD), un framework generale che usa il corpo e gli arti del robot come superfici di contatto per afferrare e manipolare oggetti.»
Scrivono Conor Mc Gartoll e gli altri autori dello studio «Whole-Body Dexterity».
Il sistema costruisce innanzitutto, in simulazione, un dataset di prese stabili che coinvolgono il corpo. Specialisti addestrati con l’apprendimento per rinforzo imparano poi a spostare gli oggetti da una posizione di presa a un’altra, con obiettivi definiti dalla posizione dell’oggetto e dal fatto che il robot debba tenerlo con il braccio sinistro, con entrambe le braccia o con il braccio destro. I ricercatori combinano questi specialisti in un unico controller che usa le letture dei sensori articolari del robot e una descrizione della geometria dell’oggetto.
Questi passaggi possono comportare lo scivolamento o il rotolamento di un oggetto contro il torso e il trasferimento da un braccio all’altro. La configurazione dell’addestramento consente una breve perdita di contatto con le braccia durante il passaggio, ma richiede una presa stabile nella posizione finale. Sebbene il metodo di generazione delle prese consideri braccia, gambe e torso, secondo lo studio gli specialisti addestrati usano prese con braccia e torso; il contatto con le gambe è lasciato a lavori futuri.
I risultati delle prove e la discrepanza nei totali
I ricercatori hanno testato il controller con un pallone da basket di misura 3 e una scatola di cartone di 15 centimetri per lato. Nelle prove di spostamento sul corpo, il robot ha portato ciascun oggetto alla spalla o lo ha sistemato sotto un braccio, tentando poi di riportarlo davanti al corpo, tenendolo con entrambe le braccia. Nella prova dello scaffale, ha raccolto la scatola, l’ha sistemata sotto un braccio, l’ha trasportata camminando, l’ha riportata davanti al corpo e l’ha posata su un tavolo.
Nelle prove di spostamento sul corpo, i risultati delle singole prove mostrano nove spostamenti completi di andata e ritorno alla spalla su dieci per il pallone e dieci su dieci per la scatola. Per gli spostamenti di andata e ritorno sotto un braccio, il robot ne ha completati nove su dieci per ciascun oggetto. Il dettaglio della prova dello scaffale indica dieci raccolte riuscite, nove sistemazioni sotto un braccio, nove trasporti, nove rimozioni da sotto il braccio e sette posizionamenti. Il conteggio degli spostamenti completi di andata e ritorno e delle sequenze complete della prova dello scaffale ricavato da questi risultati dà 44 successi su 50. Il testo dei risultati dello studio, tuttavia, riporta un totale di 45 su 50, mentre l’abstract indica un tasso di successo del 90%: queste cifre non coincidono con il dettaglio delle prove.
Un solo operatore umano ha guidato tutti i tentativi usando riferimenti di movimento acquisiti con una tuta Xsens. L’operatore aveva oltre otto ore di pratica nelle prove e il controller ha perfezionato le posizioni bersaglio delle braccia per aiutare a sostenere l’oggetto mentre il robot cambiava i punti di contatto. Gli autori riferiscono inoltre che il sistema è stato trasferito dalla simulazione al robot reale senza ulteriore addestramento.
Restano le cadute degli oggetti e la guida dell’operatore
Il confronto non era una prova di un robot autonomo che decidesse cosa raccogliere e dove portarlo: i movimenti desiderati erano forniti da un teleoperatore. Il contributo del controller consisteva nell’adattare quei movimenti per sostenere l’oggetto. I ricercatori scrivono che in alcuni tentativi il robot ha comunque perso il contatto e lasciato cadere l’oggetto, e osservano che una copertura limitata del tracciamento può restringere la destrezza quando si usano dispositivi VR.
Il benchmark comprende inoltre un insieme ristretto di oggetti e compiti: dieci tentativi per ciascuna combinazione di controller, oggetto e prova di spostamento sul corpo, e dieci tentativi per controller per la sequenza dello scaffale. I risultati mostrano che i passaggi appresi tra punti di contatto sono stati utili in questa configurazione di prova; non dimostrano quali sarebbero le prestazioni con la varietà di oggetti, superfici o compiti non predefiniti che un robot impiegato sul campo potrebbe incontrare.
Il prossimo passo proposto nello studio è aggiungere i punti di contatto con le gambe al dataset delle prese e addestrare il controller su queste configurazioni. Questo potrebbe consentire a un umanoide di appoggiare un oggetto contro un ginocchio mentre muove le braccia, una capacità che gli esperimenti attuali non dimostrano.