پژوهشگران به سرپرستی Joohwan Seo، کنترل‌گر تمام‌بدنی ResGAC را برای ربات‌های انسان‌نما معرفی کردند. این کنترل‌گر، کنترل امپدانس هندسی را با لایه‌ای از یادگیری تقویتی باقیمانده ترکیب می‌کند تا اثر پویایی‌های مدل‌نشده را خنثی کند. آزمایش ResGAC روی ربات واقعی Unitree G1 نشان داد که این روش در مقایسه با خط پایه پیشین SONIC، خطای انتقال و چرخش را کاهش می‌دهد. در آزمایش جاگذاری پین در سوراخ، در حالت ایستاده، ResGAC در 90% موارد موفق بود؛ این رقم برای SONIC برابر با 50% بود.
چرا مهم است
رهگیری دقیق‌تر به ربات‌های انسان‌نما امکان می‌دهد هنگام راه‌رفتن کارهای ظریف انجام دهند و در نتیجه کاربردشان در محیط‌های تولیدی و خدماتی گسترش یابد.
