Teleoperace celého těla jako klíč k učení humanoidů

V rámci našich nedávných experimentů jsme se zaměřili na testování modelu GR00T-WholeBodyControl. Pro tyto účely jsme vytvořili vlastní virtuální scénu v robotickém simulačním prostředí MuJoCo, která nám umožňuje detailně zkoumat, jak robot reaguje na komplexní povely lidského operátora. Nejde nám o pouhé vytváření efektních ukázek, ale o budování robustních metod pro pokročilé řízení a budoucí učení robotických systémů.

V naší zjednodušené MuJoCo scéně jsme detailně ověřovali schopnost robota provádět takzvané whole-body teleoperation úlohy. Během testů robot úspěšně uchopoval předměty na pracovním stole a následně se s drženým objektem plynule pohyboval v simulovaném prostředí. Abychom otestovali limity aktuálního nastavení a celkovou koordinaci modelu, zařadili jsme do experimentu i náročnější celotělové pohyby. S operátorem ve virtuální realitě jsme tak úspěšně ověřovali například schopnost robota plynule přejít do kleku nebo provést skok, a to při neustálém zachování dynamické rovnováhy.

Samotná ukázka toho, že robot dokáže skočit nebo manipulovat s objektem, je sice vizuálně atraktivní, ale z vývojového hlediska leží hlavní přínos jinde. Teleoperace celého těla představuje naprosto kritický nástroj pro pochopení a přesný záznam toho, jak má robot při práci koordinovat všechny své části. Když humanoid interaguje se svým okolím, nepracují pouze jeho paže. Jde o komplexní souhru celého mechanismu, neustálé vyrovnávání těžiště, adekvátní přenášení váhy a přechody mezi různými typy postojů, které musí fungovat zcela synchronně.

Schopnost plynule teleoperovat celého robota nám otevírá cestu k efektivnímu sběru dat. Pokud chceme, aby humanoidní roboti v budoucnu spolehlivě zvládali užitečné úlohy v proměnlivém lidském prostředí, potřebujeme vytvořit rozsáhlé a vysoce kvalitní demonstrační datasety. Zaznamenaná data z našich teleoperačních experimentů slouží jako nezbytný vstup pro metody takzvaného imitation learningu (učení nápodobou). Tímto způsobem převádíme lidskou intuici, rovnováhu a motoriku do přesného datového formátu, ze kterého se následně budou učit řídicí algoritmy.

Díky tomuto systematickému přístupu ke sběru demonstračních dat je následně možné roboty učit zcela nové manipulační úlohy. V praxi to znamená, že modely natrénované na takto komplexních záznamech dokážou mnohem lépe generalizovat. Roboti se díky nim učí správně uchopovat nové, dříve neviděné objekty a bezpečně s nimi manipulovat či je přenášet v reálném prostředí. Úspěšné testování celotělové teleoperace v prostředí MuJoCo s využitím modelu GR00T-WholeBodyControl je tak pro ICHR nezbytným stavebním kamenem pro další rozvoj praktických a autonomních dovedností humanoidních robotů.