Hacker News · 29.07.2026 ·Исследования и наука

Transformer Transformer: новый подход к совместному проектированию роботов

Исследователи представили архитектуру Transformer Transformer (TT), которая объединяет проектирование физической формы робота и его системы управления движением. Модель позволяет одновременно оптимизировать морфологию робота и стратегию его передвижения, сокращая время на разработку и повышая эффективность адаптации под конкретные задачи в симулированной среде, что является важным шагом в автоматизации создания специализированных робототехнических систем.

Традиционные методы проектирования роботов часто разделяют создание «тела» (механической структуры) и «мозга» (алгоритмов управления), что ограничивает возможности поиска оптимальных решений. Новый подход использует трансформерную архитектуру для обработки данных о геометрии робота и его кинематических параметрах, позволяя модели «предсказывать» наиболее эффективную конфигурацию для выполнения заданных движений.

Система демонстрирует высокую производительность в задачах, где требуется сложная координация конечностей и баланс. Использование единого трансформера для обеих задач позволяет учитывать взаимозависимость между физическими ограничениями конструкции и динамикой управления, что ранее требовало итеративного ручного подбора параметров или вычислительно затратных симуляций.

Ключевые факты

Архитектура Transformer Transformer объединяет проектирование морфологии робота и его контроллера в рамках одной модели.
Модель обучается на задачах, где робот должен адаптировать свою физическую структуру под конкретные условия передвижения.
Подход позволяет значительно ускорить процесс поиска оптимальной формы робота по сравнению с традиционными методами эволюционного проектирования.
Система успешно протестирована в симуляциях, демонстрируя способность к генерации функциональных роботов для выполнения целевых движений.

Источник: Hacker News

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука RoboTTT: масштабирование контекста в робототехнике до 8000 шагов Исследователи представили RoboTTT — новый метод обучения робототехнических моделей, позволяющий масштабировать визуально-моторный контекст до 8000 временных шагов. Это решение увеличивает объем обрабатываемой информации в 1000 раз по сравнению с актуальными аналогами, не увеличивая при этом задержку при инференсе. Подход открывает возможности для обучения роботов сложным навыкам через демонстрации, включая выполнение задач с одного показа. arXiv · Исследования и наука NeuralActuator: повышение точности управления роботами через нейросетевое моделирование Исследователи представили NeuralActuator — метод нейросетевого моделирования динамики приводов, решающий проблему расхождения между симуляцией и реальностью в робототехнике. Традиционные линейные модели не учитывают трение, гистерезис и тепловые эффекты, что критично для бюджетных платформ. Новый подход позволяет более точно предсказывать выходной крутящий момент, значительно повышая эффективность обучения политик управления и точность выполнения команд в сложных физических условиях. arXiv · Исследования и наука Роботы учатся общаться через визуальные проекции и тени Исследователи представили новый метод обучения роботов невербальной коммуникации с помощью визуальных абстракций, таких как тени и силуэты. Вместо того чтобы полагаться исключительно на физические движения корпуса, система учит роботов проецировать свои намерения во внешнюю среду. Это позволяет машинам взаимодействовать с людьми более интуитивно, используя привычные для человека способы передачи информации через визуальные проекции. arXiv · Инфраструктура для агентов E-TTS: новый фреймворк для масштабирования рассуждений в робототехнике Исследователи представили E-TTS (Embodied Test-Time Scaling) — фреймворк для улучшения производительности робототехнических агентов через масштабирование рассуждений во время выполнения задач. Система решает проблему длинных последовательностей действий, интегрируя механизмы работы с историей состояний и адаптивное планирование, что позволяет моделям эффективнее справляться со сложными манипуляциями в динамической среде без необходимости дообучения. arXiv · Машинное обучение Трансформеры для решения уравнений на сложных геометриях Исследователи из MIT и других ведущих университетов представили новый подход к использованию трансформеров для решения задач, связанных с дифференциальными уравнениями на сложных геометриях. Традиционные методы, основанные на нейронных операторах, ограничены фиксированным размером области, что затрудняет их применение в реальных сценариях, где размеры могут варьироваться. Hacker News · Исследования и наука Tree Transformers: новый подход к архитектуре нейросетей Исследователи представили архитектуру Tree Transformers, которая меняет способ обработки иерархических данных в нейронных сетях. В отличие от стандартных трансформеров, работающих с линейными последовательностями токенов через механизмы внимания, новая модель опирается на древовидную структуру данных. Это позволяет эффективнее моделировать зависимости в задачах, где важна вложенность и иерархия, например, при анализе синтаксиса языков программирования или сложных математических выражений. arXiv · Исследования и наука Гибридное управление гуманоидными роботами через VR и обучение с подкреплением Исследователи представили метод управления миниатюрными гуманоидными роботами, сочетающий VR-телеуправление верхней частью тела и обучение с подкреплением (RL) для стабилизации и передвижения. Такой подход позволяет оператору дистанционно выполнять сложные манипуляции и навигацию в человеческой среде, эффективно разделяя задачи между интуитивным контролем человека и автономными алгоритмами балансировки робота. arXiv · Исследования и наука DriftWorld: ускорение предиктивного моделирования для робототехники Исследователи представили DriftWorld — новую архитектуру предиктивных моделей мира, оптимизированную для задач управления роботами. Метод позволяет значительно ускорить генерацию сценариев развития событий, устраняя вычислительные задержки, характерные для диффузионных моделей. Это дает возможность роботам выполнять масштабный поиск оптимальных действий в режиме реального времени, что критически важно для эффективного планирования в динамических условиях. arXiv · Машинное обучение πR²: новый подход к реактивному управлению роботами в реальном времени Исследователи представили метод πR², решающий проблему низкой реактивности современных манипуляционных моделей. Традиционные системы, использующие генерацию действий «пакетами» (action-chunking), работают в разомкнутом цикле и не реагируют на изменения среды до завершения текущего блока. Новый подход позволяет обновлять траектории в реальном времени, сохраняя высокую скорость работы без необходимости пересчета всей последовательности через тяжелые нейросетевые бэкенды. arXiv · Исследования и наука Исследование масштабируемости базовых моделей поведения для роботов-гуманоидов Исследователи представили анализ масштабируемости базовых моделей поведения (Behavior Foundation Models, BFM) для управления роботами-гуманоидами. Работа доказывает, что использование крупномасштабных наборов данных о движениях позволяет значительно улучшить координацию всего тела робота и повысить точность реакций в реальном времени, что является критическим фактором для создания универсальных воплощенных ИИ-агентов, способных эффективно адаптироваться к сложным и меняющимся условиям окружающей среды.

← Все материалы