Ejecutar piruetas, golpes de tenis o celebrar los goles de un partido con la naturalidad de un ser humano es ahora posible para un robot. El proyecto BeyondMimic presenta un nuevo marco de aprendizaje robótico alimentado con datos de movimiento humano con el que se crean comportamientos físicos naturales.
El proyecto de investigación ‘BeyondMimic’ ensaya un nuevo método de entrenamiento basado en los movimientos humanos Ir al contenido
_
_
El proyecto ‘BeyondMimic’ presenta un robot humanoide capaz de hacer acrobacias al aire libre
n
«}},»video_agency»:false,»alt_image»:»El proyecto ‘BeyondMimic’ presenta un robot humanoide capaz de hacer acrobacias al aire libre»},»url»:»https://vdmedia.elpais.com/mcv/elpais/multimedia/20260826/1207916_123708_still.0000001.jpg»,»alt»:»El proyecto ‘BeyondMimic’ presenta un robot humanoide capaz de hacer acrobacias al aire libre»,»ogWidth»:16,»ogHeight»:9,»floating»:false});
01:44
El proyecto ‘BeyondMimic’ presenta un robot humanoide capaz de hacer acrobacias al aire libre
El proyecto de investigación ‘BeyondMimic’ ensaya un nuevo método de entrenamiento basado en los movimientos humanos
Ejecutar piruetas, golpes de tenis o celebrar los goles de un partido con la naturalidad de un ser humano es ahora posible para un robot. El proyecto BeyondMimic presenta un nuevo marco de aprendizaje robótico alimentado con datos de movimiento humano con el que se crean comportamientos físicos naturales.
El robot puede caminar, correr y ejecutar movimientos complejos inspirados en las artes marciales. Tras entrenarlo con unas 2,5 horas de datos de movimiento humano, los investigadores validaron primero su método en un entorno de simulación, antes de realizar experimentos físicos sobre diferentes terrenos. El estudio se ha publicado hoy miércoles en la revista Science Robotics.
La flexibilidad del modelo de aprendizaje le permite asimilar habilidades nuevas sin necesidad de un entrenamiento específico para cada tarea nueva. BeyondMimic convierte los datos de movimiento en representaciones continuas y genera trayectorias reproducibles, sin necesidad de un aprendizaje dedicado para cada gesto. Hasta el momento, la mayoría de los métodos de aprendizaje para robots requerían ajustes constantes y producían movimientos poco naturales.
Rellena tu nombre y apellido para comentarcompletar datos
Archivado En
Feed MRSS-S Noticias
