arXiv · 22.06.2026 ·Исследования и наука

CoorDex: новый подход к координации движений гуманоидных роботов

Исследователи представили CoorDex — метод обучения, который позволяет гуманоидным роботам объединять перемещение в пространстве и сложные манипуляции объектами в единый непрерывный процесс. Традиционно робототехника разделяет эти задачи: сначала робот доходит до цели, останавливается, выполняет действие и только потом продолжает движение. Новый подход устраняет этот разрыв, позволяя системе одновременно управлять всем телом и высокоточными движениями кистей рук.

В основе решения лежит конвейер обучения, который преобразует высокоразмерные данные о положении корпуса и мелкой моторике рук в скоординированные латентные представления. Это дает возможность использовать многосуставные кисти с большим количеством степеней свободы, вместо примитивных захватов типа «открыл-закрыл». Робот учится воспринимать манипуляцию не как изолированную задачу, а как часть общего процесса навигации.

Такая архитектура управления значительно повышает эффективность роботов в динамических средах, где требуется взаимодействие с предметами на ходу. Технология открывает путь к созданию более автономных гуманоидов, способных выполнять сложные бытовые или производственные задачи без необходимости постоянных остановок для переключения между режимами ходьбы и работы руками.

Источник: arXiv

Похожие материалы

arXiv · Машинное обучение AutoDex: автоматизированный сбор данных для обучения робототехники Исследователи представили систему AutoDex, предназначенную для автоматизированного сбора данных при обучении роботов навыкам ловкого захвата объектов. Основная проблема существующих методов заключается в сложности получения качественных физических данных: телеуправление требует участия человека и ограничено по скорости, а симуляции часто не способны точно подтвердить корректность контакта с предметом в реальных условиях. Hacker News · Исследования и наука NVIDIA представила метод самообучения роботов Enpire Исследователи NVIDIA представили Enpire — новый метод, позволяющий роботам самостоятельно улучшать свои действия в реальных физических условиях. В отличие от традиционных подходов, требующих длительного обучения с учителем или огромных массивов размеченных данных, система использует агентный подход для итеративной корректировки стратегий поведения. Робот анализирует результаты своих попыток выполнения задачи, выявляет ошибки и автоматически генерирует новые сценарии для их исправления. arXiv · Машинное обучение Децентрализованный алгоритм локализации для групп мобильных роботов Исследователи представили новый метод координации групп мобильных роботов, который позволяет им определять свое местоположение относительно друг друга без использования внешней инфраструктуры, такой как GPS или заранее установленные маяки. Алгоритм опирается исключительно на данные измерений дальности между участниками группы, что делает его пригодным для развертывания в неструктурированных и динамически меняющихся условиях. Hacker News · Машинное обучение EgoInfinity: масштабный датасет для обучения роботов действиям на основе видео Исследователи представили EgoInfinity — специализированный датасет и вычислительный движок, предназначенный для обучения роботов выполнению задач на основе анализа видеоданных. Проект направлен на решение одной из ключевых проблем современной робототехники: нехватки качественных данных, связывающих визуальное восприятие с конкретными физическими действиями. В отличие от стандартных наборов данных, EgoInfinity использует масштабные видеоархивы для генерации траекторий, которые роботы могут использовать для имитационного обучения. The Decoder · ИИ в бизнесе Nvidia и университеты США обучили роботов навыкам захвата через ИИ-агентов Исследователи из Nvidia, Университета Карнеги — Меллона и Калифорнийского университета в Беркли представили метод обучения робототехники с помощью автономных ИИ-агентов. Система использует возможности генеративного кода для самостоятельной корректировки движений роботов в реальных условиях. Вместо классического программирования каждого действия, агенты анализируют неудачные попытки и автоматически переписывают алгоритмы управления, чтобы повысить точность выполнения сложных манипуляций. arXiv · ИИ в бизнесе Новый фреймворк VERITAS для обучения роботов на основе визуальной проверки Исследователи предложили новый подход к обучению роботов, который позволяет им улучшать свои навыки в реальном времени. В статье на arXiv представлен фреймворк VERITAS, сочетающий генератор и верификатор для корректировки политик роботов и их самостоятельного улучшения. Google DeepMind News · Обучение и дообучение Decoupled DiLoCo от DeepMind для устойчивого распределённого обучения DeepMind представила новый подход к распределённому обучению нейронных сетей — Decoupled DiLoCo (Decoupled Distributed Learning with Communication). Этот метод позволяет значительно повысить устойчивость и эффективность обучения моделей в условиях ограниченной или ненадёжной связи между узлами. В отличие от традиционных методов, где синхронизация данных между узлами может стать узким местом, Decoupled DiLoCo использует асинхронный обмен информацией, что делает процесс обучения более гибким и устойчивым к сбоям. Ars Technica - All content · ИИ в бизнесе NVIDIA использует ИИ-агентов для автономного обучения роботов Компания NVIDIA представила новую методику подготовки робототехнических систем, в которой ключевую роль играют автономные ИИ-агенты, специализирующиеся на написании кода. Вместо ручного программирования каждого движения или алгоритма, система использует группы агентов для самостоятельной корректировки и оптимизации обучающих сценариев. Это позволяет роботам быстрее адаптироваться к выполнению сложных задач в динамических условиях. arXiv · Память и RAG Geometric Action Model для обучения политик роботов Исследователи из MIT и Google DeepMind представили новый подход к обучению политик роботов, который учитывает геометрию физического мира. В статье, опубликованной на arXiv, авторы предлагают Geometric Action Model (GAM), который позволяет роботам не только следовать инструкциям пользователей, но и учитывать взаимодействие объектов, камер и действий робота в 3D пространстве. AI News & Artificial Intelligence | TechCrunch · Данные и инжиниринг Сбор данных для обучения роботов становится индустриальным вызовом Развитие физического ИИ столкнулось с дефицитом качественных обучающих данных. В отличие от текстовых моделей, которые обучаются на массивах из интернета, робототехнике требуются специфические наборы данных, фиксирующие взаимодействие машин с реальными объектами. Этот процесс остается трудоемким и требует ручного сбора информации в непредсказуемых физических условиях.

← Все материалы