Onderzoekers hebben een nieuw leerframework genaamd FORGE ontwikkeld dat humanoïde robots in staat stelt om complexere en wendbaardere bewegingen uit te voeren door een geavanceerde koppeling tussen referentiegeneratie en trackingcontrole.
In een recent gepubliceerd wetenschappelijk artikel, ingediend op 27 oktober 2026, presenteren Adrian B. Ghansah, Yujin An, Jeeseop Kim en Soon-Jo Chung een methode om de locomotie van humanoïde robots te optimaliseren. Het systeem, dat FORGE wordt genoemd, maakt gebruik van een tweestaps leerproces om veelzijdige en agile bewegingen mogelijk te maken. Volgens de publicatie op arxiv.org combineert dit raamwerk online referentiegeneratie op basis van een gereduceerd model (ROM) met een controlemechanisme voor het gehele lichaam (whole-body tracking control).
De werking van het FORGE-systeem
Het FORGE-raamwerk is opgebouwd uit twee specifieke fasen. In de eerste fase trainen de onderzoekers een referentiegenerator voor het gehele lichaam. Deze generator is afhankelijk van commando's en maakt gebruik van de dynamiek van een enkel star lichaam (single rigid body dynamics) in combinatie met de volledige kinematica van de humanoïde robot.
In de tweede fase wordt de zogenaamde 'bevroren' ROM-policy online ingezet. Deze genereert referentiepunten die vervolgens worden gebruikt om een trackingpolicy voor het gehele lichaam te trainen, gebaseerd op een dynamisch model van volledige orde. Zoals beschreven op papers.cool, stelt deze aanpak de robot in staat om kino-dynamisch consistente referenties te creëren binnen een vereenvoudigde ROM-ruimte. Hierdoor kan één enkel unified framework verschillende locomotiestrategieën en een breed scala aan commando's verwerken.
Prestaties op de Unitree G1
Om de effectiviteit van het FORGE-systeem aan te tonen, is de technologie getest op een Unitree G1 humanoïde robot. De resultaten laten een aanzienlijke behendigheid zien. De robot slaagde erin om longitudinale snelheden te bereiken variërend van -2,0 m/s tot 2,8 m/s. Daarnaast werden zijwaartse snelheden tot 1,0 m/s (zowel positief als negatief) en hoeksnelheden tot 3,0 rad/s gerealiseerd.
Naast deze snelheden kon de robot complexe bewegingen uitvoeren, zoals huppelen op één been. Een cruciaal aspect van het onderzoek is dat de overgangen tussen deze verschillende commando's continu verliepen, terwijl er gebruik werd gemaakt van slechts één referentiepolicy en één trackingpolicy voor het gehele lichaam. Deze resultaten zijn volgens de auteurs van het artikel op een bewijs van de veelzijdigheid van het systeem.
Context binnen de robotica van 2026
De ontwikkeling van FORGE past in een bredere trend binnen de robotica. In 2026 is de controlearchitectuur voor humanoïde robots, zoals de Unitree G1, Tesla Optimus en Boston Dynamics Atlas, sterk aan het convergeren. Volgens een analyse van robotforge.org rust deze moderne stack op drie pijlers: whole-body control, human-motion retargeting en RL (Reinforcement Learning) fine-tuning.
Whole-body controllers fungeren vaak als QP-gebaseerde systemen die hoogwaardige taakdoelen omzetten in gewrichtskoppelmomenten over meer dan 30 vrijheidsgraden. Het FORGE-raamwerk draagt bij aan deze evolutie door de kloof tussen vereenvoudigde modellen en de complexe uitvoering door het volledige lichaam van de robot te overbruggen.
Het onderzoek naar FORGE is geaccepteerd voor presentatie op de 25e IEEE-RAS International Conference on Humanoid Robots (Humanoids) van 2026. Hoewel andere platformen zoals openreview.net worden gebruikt voor peer-review processen in de sector, biedt de huidige publicatie via arXiv een gedetailleerd inzicht in de technische implementatie van dit specifieke leerframework.