De mobiliteit van humanoïde robots heeft een belangrijke stap voorwaarts gezet door de ontwikkeling van het APEX-systeem. Waar robots voorheen moeite hadden met obstakels die hoger waren dan hun eigen benen, biedt deze nieuwe benadering een veilige en adaptieve manier om dergelijke platforms te bestijgen en weer te verlaten. De focus ligt hierbij op het vermijden van risicovolle bewegingen zoals springen, die vaak onveilig zijn voor de hardware en de omgeving.
Volgens een wetenschappelijke publicatie via arxiv.org kampen traditionele trainingsmethoden op basis van deep reinforcement learning vaak met het probleem dat robots proberen te springen om hoogte te winnen. Dit is problematisch vanwege de hoge impact bij landing en de beperkingen van het beschikbare motorkoppel. Om dit te omzeilen, hebben Yikai Wang en zijn team een modulaire structuur ontwikkeld die specifiek gericht is op perceptie en klimgedrag.
Het APEX-systeem werkt niet met één enkele beweging, maar combineert zes verschillende terreingestuurde vaardigheden. Deze omvatten het beklimmen en afdalen van verticale randen, het lopen of kruipen op een platform, en het aanpassen van de lichaamshouding door op te staan of te gaan liggen. Om deze complexe manoeuvres aan te leren, maakt het systeem gebruik van een zogenaamde 'generalized ratchet progress reward'. Deze techniek stimuleert bewegingen die veel contact met het oppervlak vereisen en bestraft acties die geen vooruitgang boeken, wat leidt tot een efficiënter leerproces.
Een kritiek punt in de robotica is de overgang van simulatie naar de fysieke werkelijkheid, ook wel de 'sim-to-real gap' genoemd. De ontwikkelaars hebben dit probleem aangepakt door tijdens de training mapping-artefacten te modelleren en bij de implementatie gebruik te maken van filtering en 'inpainting' op de hoogtemappen. De uiteindelijke aansturing is gedestilleerd tot één enkele beleidsregel, waardoor de robot autonoom kan beslissen welke vaardigheid op welk moment moet worden ingezet op basis van de lokale omgeving. Voor meer technische details over de gebruikersinterface en implementatie kan worden geraadpleegd via apexvs.com.
De praktische haalbaarheid van het systeem is aangetoond met een Unitree G1 robot, die beschikt over 29 vrijheidsgraden. Uit de resultaten die zijn gedeeld via blijkt dat de robot in staat is om platforms van 0,8 meter te oversteken zonder dat daar vooraf fysieke training voor nodig was. Dit betekent dat de robot objecten kan beklimmen die ongeveer 114% van zijn eigen benlengte bedragen.
Tijdens de tests bleek de robot robuust te reageren op variaties in de hoogte van de platforms en verschillende startposities. De overgangen tussen de verschillende modi, zoals de switch van klimmen naar lopen, verliepen stabiel. De meest recente versie van het onderzoek, herzien op 13 augustus 2026, bevestigt dat deze modulaire aanpak de veiligheid en flexibiliteit van humanoïde robots in complexe omgevingen aanzienlijk verbetert. Verdere documentatie over het project is beschikbaar via de officiële .