SUGAR: Un Framework Scalabile per la Loco-Manutenzione Umanoide da Video Umani

Un nuovo framework chiamato SUGAR è stato sviluppato da ricercatori per trasformare vari video umani in abilità di loco-manutenzione umanoide utilizzabili, eliminando la necessità di ingegneria della ricompensa specifica per il compito o di condizionamento del movimento di riferimento durante l'inferenza. Questo framework affronta il problema di creare robot umanoidi in grado di eseguire una loco-manutenzione generalizzabile di tutto il corpo in scenari del mondo reale. I metodi tradizionali spesso dipendono da una noiosa ingegneria della ricompensa o da un replay del movimento inflessibile, che mancano di scalabilità. Mentre i video umani mostrano una gamma di comportamenti, i priori di movimento derivati da essi sono ostacolati da occlusioni, artefatti di contatto ed errori di re-targeting, rendendoli inefficaci per l'apprendimento diretto delle politiche. SUGAR opera in tre fasi, iniziando con una pipeline automatizzata che estrae priori di interazione cinematica, incluse le traiettorie di movimento uomo-oggetto. Questo approccio innovativo facilita l'apprendimento scalabile dalla vasta quantità di dati video umani disponibili. I risultati sono stati pubblicati su arXiv con l'identificatore 2605.20373.