İnsan bədənini əks etdirən bədən quruluşuna malik olan humanoid robotlar real dünya şəraitində çoxlu tapşırıqların öhdəsindən tez və effektiv şəkildə gələ bilirdilər. Bu robotlar və onların əsas idarəetmə alqoritmləri son illərdə xeyli təkmilləşdirilmişdir. Onların bir çoxu indi insana bənzər müxtəlif hərəkətləri təqlid edərək daha sürətli hərəkət edə bilir.

Bu robotlar insanlarla eyni şəkildə yerimək və ya qaçmaq üçün nəzərdə tutulduğundan, beləliklə, iki ayaq üzərində tarazlıq saxlayırlar, bəzən cisimlərlə toqquşurlar və ya qeyri-bərabər ərazidə sürüşərək yerə yıxılırlar. Bununla belə, yıxıldıqda özlərini asanlıqla qaldıra bilən insanlardan fərqli olaraq, insanabənzər robotlar bəzən yerdə ilişib qala bilirlər və ayağa qalxmaq üçün insan agentlərinin dəstəyinə ehtiyac duyurlar.

İllinoys Urbana-Şampeyn Universitetinin tədqiqatçıları bu yaxınlarda insanabənzər robotların yerə yıxıldıqdan sonra avtomatik olaraq ayağa qalxmasına və sağalmasına imkan verən yeni maşın öyrənmə sistemi hazırladılar. ArXiv preprint serverində təqdim olunan bu çərçivə bu robotları daha avtonom edə bilər və potensial olaraq onların gələcək genişmiqyaslı tətbiqinə töhfə verə bilər.Oyna

00:0000:08SəssizParametrlərPIPTam ekrana daxil olun

Xialin He, Runpei Dong və onların həmkarları öz məqalələrində yazıblar ki, “Ayağa qalxmaq üçün nəzarətçilərin əllə dizaynı, bir humanoidin yıxıldıqdan sonra sona çata biləcəyi müxtəlif konfiqurasiyalara və humanoid robotların işləyəcəyi çətin ərazilərə görə çətindir”. “Bu sənəd insanabənzər robotların müxtəlif ərazilərdə müxtəlif konfiqurasiyalardan qalxmasına imkan verən nəzarətçilər istehsal etmək üçün öyrənmə çərçivəsi hazırlayır.”

HUMANUP adlı bu tədqiqat qrupu tərəfindən hazırlanmış yeni çərçivə gücləndirici öyrənmə (RL) yanaşmasına əsaslanır . Bu yanaşma insanabənzər robotların yıxıldıqları zaman mövqeyindən asılı olmayaraq ayağa qalxma qabiliyyətini artırmaq üçün nəzərdə tutulub.

He, Dong və onların həmkarları yazdı: “Humanoid hərəkət öyrənmənin əvvəlki uğurlu tətbiqlərindən fərqli olaraq, qalxma tapşırığı toqquşma həndəsəsinin dəqiq modelləşdirilməsini və daha seyrək mükafatları tələb edən mürəkkəb təmas nümunələrini ehtiva edir”. “Biz bu problemləri kurrikuluma uyğun iki mərhələli yanaşma vasitəsilə həll edirik.”

HUMANUP RL çərçivəsi iki müxtəlif mərhələni əhatə edir. Birinci mərhələdə çərçivə robotun ayağa qalxmasına imkan yaradan, robotun hərəkətlərinin nə qədər hamar olması və ya bu hərəkətlərin yerinə yetirilmə sürəti ilə bağlı minimal məhdudiyyətlər yaradan yaxşı əza trayektoriyalarının müəyyən edilməsinə diqqət yetirir.

İkinci mərhələdə, digər tərəfdən, çərçivə əvvəlki mərhələnin bir hissəsi kimi aşkar edilmiş hərəkətləri dəqiqləşdirir və nəticədə onları robotlar tərəfindən yerinə yetirilə bilən hamar və yavaş hərəkətlərə çevirir. Qeyd edək ki, bu zərif hərəkətlər robotun mövqeyindən və düşdüyü ərazidən asılı olmayaraq effektiv olmalıdır.

Tədqiqatçılar öz çərçivələrini həm simulyasiyalarda, həm də real dünya mühitlərində sınaqdan keçirərək, onu Çin şirkəti Unitree Robotics tərəfindən yaradılmış təkmil robot sistemi olan Unitree G1 humanoid robotunda yerləşdirdilər. Onların tapıntıları çox ümidverici idi, çünki onların yanaşması, mövqeyindən və altındakı ərazidən asılı olmayaraq, robotun yıxıldıqdan sonra avtonom şəkildə sağalmasına imkan verdiyini aşkar etdilər.

He, Dong və onların həmkarları yazır: “Biz bu yeniliklərin real dünyadakı G1 humanoid robotuna düşündüyümüz iki əsas vəziyyətdən qalxmağa imkan verir: a) üz üstü uzanmış vəziyyətdə və b) üz üstü uzanmış vəziyyətdə, hər ikisi düz, deformasiya olunan, sürüşkən səthlərdə və yamaclarda sınaqdan keçirilmişdir (məsələn, səliqəli ot və qar sahəsi)”. “Bizim bildiyimiz qədər, bu, real dünyada insan ölçülü humanoid robotlar üçün öyrənilmiş qalxma siyasətinin ilk uğurlu nümayişidir.”

He, Dong və onların həmkarları tərəfindən hazırlanmış yeni perspektivli çərçivə tezliklə daha da təkmilləşdirilə və digər insanabənzər robotlarda tətbiq oluna bilər və onları yıxıldıqdan sonra avtomatik olaraq ayağa qalxmaq imkanı ilə təchiz edə bilər. Bu, robotların daha da irəliləməsinə kömək edə bilər ki, bu da onların gələcəkdə geniş yayılmasını asanlaşdıra bilər.

Daha çox məlumat: Xialin He və başqaları, Real-World Humanoid Robots for Learning Up Policies for Humanoid, arXiv (2025). DOI: 10.48550/arxiv.2502.12152

Jurnal məlumatı: arXiv 

© 2025 Science X Network