Robot z KAIST se učí chodit jako zvíře: S AI a kamerami zdolává schody i 35° svahy v reálném čase

13. dubna 2026Inovace

Vědci z Korejského pokročilého institutu vědy a technologie (KAIST) vyvinuli nový řídicí systém pro čtyřnohé roboty, který jim umožňuje pohybovat se složitým terénem s adaptabilitou podobnou zvířatům. Systém nazvaný DreamWaQ++ využívá kamery, LiDAR a palubní senzory k porozumění okolí v reálném čase, což robotům umožňuje přizpůsobovat své kroky neznámému prostředí.

Tento inovativní přístup navazuje na předchozí práci týmu, která umožňovala robotům pohybovat se bez vizuálního vstupu, pouze s využitím interních senzorů, jako jsou enkodéry kloubů a inerciální měřicí jednotky. Zatímco starší metoda zajišťovala stabilní pohyb i za špatné viditelnosti, reagovala pouze po fyzickém kontaktu s překážkami, což omezovalo schopnost robota vyhnout se nebezpečí předem. DreamWaQ++ rozšiřuje systém o externí vnímání, kombinuje zrak a hloubkové snímání s proprioceptivní zpětnou vazbou. Díky tomu robot dokáže identifikovat překážky dříve, než se k nim dostane, a v reálném čase upravit svou strategii chůze. Výsledkem je posun od reaktivního pohybu k lokomoci založené na vnímání, kde robot aktivně interpretuje své okolí během pohybu.

Vylepšení činí robota robustnějším v nepředvídatelných prostředích, jako jsou oblasti katastrof, průmyslové areály a nerovný přírodní terén. K dosažení tohoto cíle tým vyvinul multimodální rámec pro posilující učení, který zpracovává různé senzorické vstupy současně a zároveň udržuje nízké nároky na výpočetní výkon pro řízení v reálném čase. Systém také dokáže přepínat mezi režimy snímání při výskytu chyb, což zlepšuje stabilitu a adaptabilitu v různých podmínkách.

Během testů robot prokázal vynikající výkon v několika náročných scénářích. Zdolal 50 schodů, které pokrývaly 30,03 metru horizontálně a 7,38 metru vertikálně, za pouhých 35 sekund, čímž překonal jak systémy slepé lokomoce, tak stávající kontroléry založené na vnímání. V experimentech na strmém terénu úspěšně vystoupal na svahy o sklonu až 35 stupňů, což je výrazně strmější než podmínky, na které byl trénován, a zároveň snížil zatížení motorů ve srovnání s předchozími metodami. Prokázal také adaptivní rozhodování výběrem efektivních cest bez externích plánovacích systémů a průzkumné chování v nejistých prostředích, kdy se zastavil, aby posoudil propady, než se pohnul vpřed. V testech s překážkami překonal bariéry vyšší než on sám, a to i s dodatečným nákladem, což svědčí o silné rovnováze a stabilitě pod zátěží.

Trénink systému mu umožnil zobecnit poznatky i mimo původní podmínky. Ačkoli byl trénován na relativně malých překážkách, dosáhl vysoké úspěšnosti na mnohem větších reálných strukturách, což naznačuje silnou adaptabilitu spíše než pouhé opakování vzorů. Vědci věří, že tento přístup by se mohl rozšířit na další robotické platformy, včetně kolových a humanoidních systémů, což by rozšířilo jeho využití v inspekci, zemědělství, lesnictví a operacích nouzové reakce. Profesor Hyun Myung, který studii vedl, uvedl: „Tento výzkum ukazuje, že roboti pokročili za pouhý pohyb na úroveň, kde rozumí prostředí a sami se rozhodují. Budeme to dále rozšiřovat na inteligentní mobilní technologie použitelné v různých reálných prostředích.“ Studie byla publikována v časopise IEEE Transactions on Robotics.