Vierbeiner ohne Arm schiebt Kistenstapel: SOMA erreicht 90,1 Prozent in der Simulation und läuft ohne Nachtraining auf dem Unitree Go1
Ein Unitree Go1 ohne Greifarm hat gelernt, einen Stapel aus zwei Kisten bis auf 5 Zentimeter und 5 Grad an ein Ziel zu schieben, indem er beim Drücken in die Hocke geht, heißt es in einem am 14. Oktober veröffentlichten Preprint. In der Simulation erreichte ein 0,4-Meter-Stapel mit 8 Kilogramm schwerer Unterkiste 90,1 Prozent Erfolg, die obere Kiste fiel nur in 1,0 Prozent der Versuche. Das Training dauerte auf einer Workstation rund 1 Stunde 20 Minuten statt der 15 Stunden des bisher besten Verfahrens.
Kann ein Laufroboter ohne Manipulator schwere, lose gestapelte Objekte mit dem ganzen Körper präzise verschieben, ohne dass das obere Objekt abrutscht oder kippt?
Vierbeiner laufen gut, haben aber keine Hände. Ein montierter Arm bringt Gewicht und Breite und begrenzt die Last. Schieben mit dem Körper eignet sich für schwere Teile, doch frühere Regler hielten die Höhe fest und schoben nur in der Ebene, und optimierungsbasierte Planer brauchen genaue Modelle von Objekt und Boden.
Arbeiten zur Pedipulation nutzten ein Bein als Arm für Türen, Schalter und leichte Objekte, meist bei ruhendem Körper. Vierbeiner mit Arm können greifen, verlieren aber Platz und Nutzlast. Hierarchisches Reinforcement Learning für Ganzkörperschieben (Jeon et al., 2024) bewegte einzelne Objekte auf fester Höhe und brauchte rund 15 Stunden Training.
SOMA teilt die Steuerung in eine 50-Hz-Laufpolicy mit rund 100.000 Parametern, die Geschwindigkeit, Drehrate und eine Körperhöhe zwischen 0,1 und 0,3 Metern regelt, und eine 10-Hz-Manipulationspolicy, die diese Befehle gibt. Beide nutzen einen S5-Zustandsraum-Encoder mit Gedächtnis für die jüngste Historie und schließen so aus der Reaktion der Kiste auf Masse und Reibung. Die Manipulationspolicy zieht Befehle aus einer Beta-Verteilung, die ohne Abschneiden innerhalb physikalischer Grenzen bleibt. Trainiert wird in drei Stufen mit zufälligen Kistengrößen von 0,35 bis 0,45 Metern, Massen von 6 bis 10 Kilogramm und Bodenreibung von 0,3 bis 1,5.
In der Simulation wurde eine einzelne 12-Kilogramm-Kiste, schwerer als jede Trainingskiste, bei mittleren Formen in rund 90 Prozent und bei hohen schmalen Formen in 82 Prozent der Fälle korrekt platziert. Training auf mehreren Größen lag bei leichten 4-Kilogramm-Kisten 22,9 bis 27,2 Punkte über einer Ein-Größen-Basis. Über neun Kombinationen von Zweierstapeln reichte der Erfolg von 71,4 bis 90,1 Prozent, Stapelfehler von 0,2 bis 12,1 Prozent, am schlechtesten bei kleinen, leichten 0,3-Meter-Kisten. Auf dem realen Go1 lief die Policy mit Posen aus einem Motion-Capture-System ohne Nachtraining, in vier Versuchen der schwersten Konfiguration fiel der Positionsfehler binnen etwa 18 Sekunden von rund 2 Metern unter 0,05 Meter, die Körperhöhe sank beim Schieben von etwa 0,22 auf 0,12 Meter.
Es handelt sich um einen Preprint, der Text nennt keine Institution der Autoren. Der Hardwareteil listet fünf Aufbauten und zeigt einen, ohne Tabelle der Erfolgsquoten. Die Posen liefert ein OptiTrack-System mit acht Kameras statt Bordsensorik, außerhalb des Labors funktioniert die Demonstration noch nicht. Getestet wurden 4 bis 12 Kilogramm auf ebenem Boden mit höchstens zwei Lagen.
Nutzer von Vierbeinern wie ANYbotics aus der Schweiz, Boston Dynamics, Unitree und DEEP Robotics in Inspektion, Rettung und Logistik wollen Objekte ohne mitgeführten Arm bewegen. Die Arbeit zeigt, dass Körperhöhenregelung eine reine Softwarefunktion sein kann, und die kurze Trainingszeit passt zu Teams, die oft neu trainieren. Für Industrieanlagen in Europa mit Inspektionsrobotern ist das eine günstige Erweiterung, der Feldeinsatz setzt aber Bordwahrnehmung statt Motion Capture voraus und dürfte zwei Jahre oder mehr entfernt sein.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.