Ganzkörper-Geschicklichkeit: Wie ein Humanoide Gegenstände mit Armen und Rumpf hält

Kann ein Humanoide lernen, jeden Körperteil als Kontaktfläche zum Greifen und Umsetzen von Objekten zu nutzen, einschließlich der Übergabe von Arm zu Arm um den Rumpf herum, und diese Fähigkeit ohne Nachtraining aus der Simulation auf einen echten Roboter übertragen?

Die Forschung zur Humanoiden-Manipulation betrachtet meist nur die Hände als Kontaktstelle. Sperrige Teile wie Kartons oder Bälle lassen sich leichter tragen, wenn man sie gegen die Brust drückt oder unter den Arm klemmt. Ein zweiarmiger Roboter hat aber wenige unabhängige Stützpunkte: Löst sich ein Arm, müssen der andere Arm und der Rumpf das Objekt fixieren. Teleoperatoren spüren nicht, ob ein Teil rutscht, weshalb Fernsteuerung bisher meist auf Greifen und Ablegen mit der Hand beschränkt bleibt.

Frühere Ganzkörperansätze hielten große Objekte in einer dauerhaften Umarmung vor dem Rumpf, setzten auf taktile Haut oder planten Kontakte modellbasiert unter Annahmen wie ebener Bewegung oder Quaderform. Allgemeine Bewegungsfolger wie SONIC und Retargeting-Werkzeuge wie GMR übertragen menschliche Bewegungen, berücksichtigen aber nicht, dass ein Objekt beim Umgreifen gestützt bleiben muss.

Die Autoren übertragen das Prinzip des Umgreifens mit Fingern aus der Robotik-Hand auf den ganzen Humanoiden. Zunächst erzeugen sie für 15 Grundkörper von 80 bis 240 Millimetern 2,51 Millionen in der Simulation stabile Ganzkörpergriffe, indem sie Kontakte an Arm- und Rumpfgliedern optimieren und unter vierfacher Schwerkraft und wechselnden Störkräften filtern. Je Objekt lernt ein Experte per Reinforcement Learning (WBD-EX), Gegenstände zwischen den Greifmodi linker Arm, beide Arme, rechter Arm und zwischen Körperregionen zu bewegen; jede Übergabe läuft über einen beidarmigen Griff. Die 274.000 Trajektorien der Experten mit 873 Millionen Einzelbildern werden in einen einzigen diffusionsbasierten Regler destilliert, der nur Propriozeption und einen fünfteiligen Formdeskriptor nutzt und grobe Befehle des Bedieners in stabile Kontaktbewegungen übersetzt.

In der Simulation mit verrauschten Befehlen an allen 14 Armgelenken verlängerte der Regler die mittlere Zeit bis zum Fehler um 70 Prozent bei Trainingsobjekten sowie um 158 und 71 Prozent bei einer nicht trainierten Kugel und einem Würfel. Am echten Unitree G1, gesteuert über einen Xsens-Motion-Capture-Anzug, gelangen mit einem Basketball der Größe 3 und einem 15-Zentimeter-Karton 45 von 50 Versuchen (90 Prozent) über Schulter- und Achselaufgaben sowie eine Regal-Sequenz aus Greifen, Unterklemmen, Tragen und Abstellen. GMR kam auf 9 von 50 (18 Prozent), SONIC auf 2 von 50 (4 Prozent). Das Unterklemmen des Kartons gelang zehnmal von zehn, bei GMR einmal, bei SONIC nie. Die vollständige Regalaufgabe endete in 7 von 10 Fällen mit abgestelltem Karton.

Es handelt sich um ein Preprint. Alle Praxisversuche fuhr ein einziger geübter Bediener mit mehr als acht Stunden Training; gezeigt wird also, was der Regler einem Menschen hinzufügt, nicht autonomes Verhalten. Die Objekte waren leichte Grundformen bis 24 Zentimeter, Beinkontakte waren ausgeschlossen, trainiert wurde ohne Unterkörperregler. In einigen Versuchen fiel das Objekt dennoch herunter, und die Objektmaße müssen bekannt sein. Für jede neue Objektklasse braucht es einen eigenen Experten.