Forskare under ledning av Joohwan Seo har presenterat ResGAC, en styrmetod för humanoida robotars hela kropp. Den kombinerar geometrisk admittansstyrning med ett residualt lager för förstärkningsinlärning, som kompenserar för omodellerad dynamik. Tester på en fysisk Unitree G1 visade att ResGAC minskade fel i både position och rotation jämfört med den tidigare SONIC-baslinjen. I ett peg-in-hole-test där roboten stod stilla lyckades den 90 % av gångerna, jämfört med 50 % för SONIC.
Varför det spelar roll
Mer exakt spårning gör att humanoida robotar kan utföra känsliga uppgifter samtidigt som de går, vilket kan bredda användningen inom tillverkning och service.
