Un equipo de investigadores ha publicado trabajo sobre coincidencia de estilo predictivo (PSM), presentando un enfoque novel para mejorar la naturalidad de la locomoción de robots humanoides. La investigación aborda un desafío crítico en robótica humanoide: lograr movimiento fluido similar al humano que mantenga tanto estilo como robustez.
La innovación central de PSM es un predictor fuera de línea que mapea el historial de estado del cuerpo inferior del robot y comandos de velocidad a objetivos articulares y de marcha del cuerpo superior. Este predictor se usa solo durante el entrenamiento, permitiendo que el controlador desplegado mantenga la misma interfaz propioceptiva y costo de inferencia que los enfoques RL de tareas estándar.
Evaluado en el robot humanoide Unitree G1, PSM logra aproximadamente una reducción de un orden de magnitud en error de estilo del cuerpo superior mientras mantiene tasas de recuperación de caídas comparables a los enfoques estándar. Este investigación representa un avance significativo en hacer que los robots humanoides se muevan más naturalmente sin sacrificar la estabilidad.
