Onderzoekers hebben SUGARv2 ontwikkeld, een nieuw systeem dat humanoïde robots in staat stelt om complexe bewegingen en manipulaties te leren door gebruik te maken van gesynthetiseerde interactie-referenties, wat de noodzaak voor menselijke demonstraties aanzienlijk vermindert.
Het aanleren van vaardigheden aan humanoïde robots, waarbij zowel voortbeweging (locomotie) als het manipuleren van objecten komt kijken, is een complexe uitdaging in de robotica. Een groot knelpunt bij het opschalen van deze vaardigheden is de enorme hoeveelheid menselijke inspanning die nodig is voor het verzamelen van demonstraties en het ontwerpen van specifieke trainingsprogramma's voor elke nieuwe taak. Om dit proces te stroomlijnen, introduceert een team van wetenschappers het raamwerk genaamd SUGARv2.
Efficiëntere training via synthese
Het kernconcept van SUGARv2 is het gebruik van een uniform raamwerk voor het leren van diverse visuele vaardigheden. In plaats van voor elke taak handmatig nieuwe data te verzamelen, maakt het systeem gebruik van interactie-referenties die kunstmatig worden gegenereerd. Volgens de publicatie op arxiv.org gebeurt dit door herbruikbare taaksjablonen aan te passen aan verschillende ruimtelijke configuraties. Hierdoor kunnen gecoördineerde bewegingen van zowel de robot als de objecten in de omgeving worden gesynthetiseerd zonder dat daar telkens menselijke tussenkomst bij nodig is.
Om de training verder te vereenvoudigen, hanteert het raamwerk een gedeelde trainingspijplijn. In plaats van voor elke specifieke taak een eigen beloningssysteem (reward design) te moeten ontwerpen, maakt SUGARv2 gebruik van referentiegebaseerde imitatie als een algemeen leerdoel. Dit betekent dat de robot leert door de gesynthetiseerde referentiebewegingen zo nauwkeurig mogelijk na te bootsen.
Van simulatie naar realiteit
Het leerproces van SUGARv2 verloopt in meerdere fasen. Eerst worden zogenaamde 'bevoorrechte leraren' (privileged teachers) getraind om de gesynthetiseerde referenties uit te voeren. Vervolgens worden de visuele beleidsregels (visual policies) getraind via een proces van teacher-distillatie en reinforcement learning.
Om ervoor te zorgen dat de robot niet alleen in een virtuele omgeving presteert, maar ook in de echte wereld, passen de onderzoekers visuele domeinrandomisatie en diverse objectinstanties toe. Deze technieken ondersteunen de visuele generalisatie en vergemakkelijken de zogenaamde 'sim-to-real transfer', waarbij een in simulatie geleerde vaardigheid succesvol wordt overgedragen naar een fysieke robot.
Resultaten en prestaties
De effectiviteit van het systeem is getest over vijf verschillende humanoïde loco-manipulatietaken. De resultaten in simulatie waren positief, met een gemiddelde succesrate van 91,0%. Daarnaast is het systeem daadwerkelijk geïmplementeerd op een fysieke humanoïde robot. Zoals beschreven in de , demonstreerde deze robot succesvolle 'whole-body manipulation', wat bewijst dat de overstap van simulatie naar de fysieke realiteit effectief is verlopen.
Het onderzoek, dat is ingediend op 6 november 2026 door een team waaronder Tianshu Wu en negen andere auteurs, suggereert dat dit raamwerk een aanzienlijk potentieel heeft voor het breder inzetten van humanoïde robots in diverse omgevingen. Door de afhankelijkheid van handmatige dataverzameling te verminderen, kan de ontwikkeling van robotische vaardigheden sneller en op grotere schaal plaatsvinden.
Voor meer details over de methodologie en de resultaten verwijzen de auteurs naar hun , waar de volledige scope van het onderzoek en de bijbehorende figuren kunnen worden geraadpleegd. De volledige paper is beschikbaar via de onder de sectie Computer Science > Robotics.