GRAFT: Geländemodul für eingefrorene Bewegungs-Tracker
Ein Preprint des Xiaomi Robotics Lab berichtet, dass ein kleines Zusatznetz die Erfolge des Bewegungs-Trackers SONIC in schwerem Simulationsgelände von 3 auf 39 von 40 Läufen hob. Auf einem echten Unitree G1 überwand der Roboter mit bordeigener Tiefensensorik eine 0,30-m-Plattform sowie Stufen von 0,10 m und 0,17 m, während das unveränderte Modell auf der Stelle trat.
Kann ein Humanoid Treppen, Lücken und Plattformen bewältigen, wenn man einem eingefrorenen Ganzkörper-Tracker nur eine kleine Geländekorrektur hinzufügt, ohne ihn neu zu trainieren?
Behavior Foundation Models sind einzelne Regelstrategien, die jeder kinematischen Referenz folgen, ob aus Aufnahmen, Teleoperation oder einem VLA-Modell. Sie lernen aber vor allem auf ebenem Boden und können Fußposition und Schwunghöhe nicht an das Gelände anpassen.
Viele geländefähige Ansätze trainieren den Tracker gemeinsam mit der Wahrnehmung neu oder feinjustieren ihn. Das kostet Daten und Rechenzeit und bindet das normale Tracking an den Wahrnehmungspfad, sodass sich der Tracker nicht mehr getrennt austauschen lässt.
GRAFT lässt die Parameter und die Referenzschnittstelle des Trackers unberührt. Ein leichter Adapter fügt nur den Sollwerten der unteren Körperhälfte geländeabhängige Korrekturen hinzu. Er lernt mit Aufgaben- und Fußgeometrie-Belohnungen, Korrekturen auf ebenem Boden werden bestraft, danach wird er von privilegierten Geländedaten auf bordeigene Tiefendaten destilliert.
In zehn Sitzungen je Geländezelle stiegen die Erfolge ohne und mit GRAFT bei SONIC von 3 auf 39 von 40, bei Humanoid-GPT von 3 auf 34, bei HoloMotion von 8 auf 39 und bei ScaleBFM von 2 auf 20. Auf einem kombinierten Parcours lag die mittlere Korrektur an Hindernissen bei 1,529 gegenüber 0,408 auf ebenen Abschnitten, mit einem Spitzenwert von 3,488 an der Lücke. Der Tracking-Fehler der Hüfte stieg von 1,18 auf 3,17 Grad. Auf dem Unitree G1 überwand das System eine 0,30-m-Plattform und eine 0,10-m-Stufe, wo das Basismodell auf der Stelle trat, dazu eine 0,17-m-Stufe und eine Szene mit Schubwagen.
Es handelt sich um einen Preprint. Die Erfolgsquoten stammen aus Simulationen mit kleinen Stichproben von zehn Läufen je Zelle, die Hardware-Ergebnisse sind Demonstrationen ohne Versuchszahlen. Die Gewinne sind ungleich: ScaleBFM fiel beim Treppenabstieg von 1 auf 0 von 10, Humanoid-GPT kam auf der Plattform nur auf 5 von 10. Alle Tracker nutzten Referenzen aus dem SONIC-Datensatz, laut den Autoren ist das kein Ranking. Jeder Tracker braucht einen eigenen Adapter.
Für Hersteller, die Tracker zukaufen, könnte die Geländefähigkeit als getrenntes Modul kommen statt als vollständiges Neutraining. Das passt zur modularen Denkweise des europäischen Maschinenbaus, in dem Software ohne erneute Abnahme des Gesamtsystems tauschbar sein soll. Weil die Zuverlässigkeit auf Hardware noch nicht gemessen ist, bleibt der Nutzen vorerst bei Forschung und Pilotprojekten.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.