Das Team hinter Workhorse brachte einem humanoiden Unitree G1 bei, Ganzkörpermanipulationen zu planen und auszuführen, indem es egozentrische Videos von Menschen auswertete. Ein visueller Planer sagt Posen für Rumpf, Handgelenke und Füße voraus, während ein per Reinforcement Learning trainierter Tracker diesen Vorgaben folgt. Auf einem echten Roboter sortiert das System Kartons, fängt einen geworfenen Karton und klettert sogar auf einen Koffer. Außerdem kann es sich wieder aufrichten, wenn eine Person es stößt. In der Simulation gelang das Sortieren der Kartons in 77 % der Durchläufe, bei Stößen von bis zu 40 N·s waren es 64 %.
Warum es wichtig ist
Wenn sich der Ansatz skalieren lässt, könnten Alltagsroboter auch unvorhersehbare Aufgaben mit viel Körperkontakt bewältigen – ohne speziell dafür programmiert werden zu müssen.
