Гуманоидные роботы уже демонстрируют реальные успехи в игровых видах спорта, но совместить стиль движений профессионального спортсмена с надёжным выполнением задачи до сих пор сложно. В новом white paper описывается адаптивный фреймворк планирования и отслеживания движений для обучения роботов теннисной подаче и розыгрышу.
Иерархия: планировщик и трекер
Архитектура построена иерархически:
- верхний уровень — planner формирует стилистические кинематические траектории (подача, удары, стойка),
- нижний уровень — tracker исполняет эти траектории на гуманоиде с минимальным вмешательством и высокой устойчивостью.
Данные о движениях берутся из телевизионных трансляций и motion‑capture‑записей. Далее они:
- восстанавливаются в 3D,
- ретаргетируются под кинематику конкретного гуманоидного робота,
- физически корректируются, чтобы робот мог безопасно их отслеживать с учётом динамики и ограничений приводов.
Преодоление разрыва «симуляция–реальность»
При переносе политики, обученной в симуляции, на реальное железо точность трекинга падает: сказываются неточность модели, трение, задержки, шум восприятия. Чтобы уменьшить накапливающиеся ошибки от авторегрессионного планирования и шумных сенсоров, фреймворк:
- обучает tracker на случайных скоростях исполнения,
- условливает planner на выученное представление скорости движения.
Так planner сохраняет стиль движения, гибко меняя скорость, а tracker остаётся устойчивым в широком диапазоне реальных условий.
Испытания на реальных платформах
В статье показана валидация на исследовательском гуманоиде и перенос на полноразмерного гуманоидного робота, включая подачи в неконтролируемой среде без системы motion capture. В завершение приводятся практические выводы для инженеров, разрабатывающих будущие гуманоидные системы для игр с мячом — от архитектуры управления до стратегий обучения для надёжного перехода из симуляции в реальный мир.
Источник: IEEE Spectrum
