Система управления роботами с ногами на основе искусственного интеллекта.

Шагающие роботы, такие как четвероногие роботизированные собаки, должны уметь безопасно передвигаться по сложной, часто меняющейся местности. Сегодня существует два основных способа программирования таких шагающих роботов. Первый называется модельно-предиктивным управлением. Этот метод оптимизирует поведение робота, но опирается на точные динамические модели, которые сложно реализовать в реальных условиях и которые часто требуют упрощающих предположений. Второй способ — это обучение с подкреплением без использования модели, которое позволяет роботу осваивать надежные, но фиксированные модели поведения, что затрудняет их адаптацию после обучения.

Теперь группа исследователей под руководством Илуня Ду, доцента кафедры компьютерных наук в Гарвардской инженерно-технической школе имени Джона А. Полсона (SEAS) и исследователя Института Кемпнера, разработала новую систему управления роботами на основе искусственного интеллекта, которая позволяет четвероногим роботам быстро адаптировать свои движения к новым задачам и местности без переобучения. Они представили эту работу на Международной конференции IEEE по робототехнике и автоматизации ( ICRA 2026 ) в июне. Статья также доступна на сервере препринтов arXiv .

Ду и его коллеги создали систему, которую они назвали Diffusion-MPC (Model Predictive Control), цель которой — объединить лучшие аспекты существующих методов. В основе Diffusion-MPC лежит генеративная диффузионная модель, тип системы искусственного интеллекта, широко используемый в генерации изображений.

Вместо фиксированной, созданной с нуля модели, метод Diffusion-MPC использует приблизительную модель того, как робот и его окружение будут развиваться с течением времени. Эта модель затем помогает роботу планировать задачи, которые уточняются путем поощрения за хорошую производительность при одновременном соблюдении ограничений, таких как физические пределы и правила безопасности.

Поскольку вознаграждения и ограничения учитываются в реальном времени, модель Diffusion-MPC может адаптироваться к новым задачам, таким как изменение скорости, направления или походки, без дополнительной переподготовки.

Команда продемонстрировала свою исследовательскую модель на реальных шагающих роботах. Они показали, что роботы могут стабильно передвигаться, гибко адаптируясь к новым задачам и препятствиям.

«Меня особенно впечатляют результаты, демонстрирующие гибкую адаптацию на реальных четвероногих роботах, включая изменение рельефа местности, склонов, восстановление равновесия и различные цели управления», — сказал Ду. «В более широком смысле, я рассматриваю это как шаг к универсальным контроллерам передвижения — системам, которые можно перепрограммировать или корректировать в полевых условиях по мере их изменения, а не ограничивать их только теми сценариями, для которых они были обучены».