Без датчиков и миллиона экспериментов: новый симулятор делает роботов точнее и живее

Специалисты Московского физико-технического института (МФТИ) создали уникальный виртуальный симулятор, который помогает обучать антропоморфных роботов — машин, по строению и движению напоминающих человека.

Разработанная модель позволяет роботу самостоятельно корректировать параметры движений и сохранять устойчивость без внешней перенастройки. Это технологическое решение существенно сокращает время обучения и снижает риск ошибок при тестировании в реальной среде.

Как работает новая система

Исследователи объяснили, что ключевая сложность при обучении человекоподобных роботов — необходимость учитывать множество физических характеристик: вес конечностей, трение в суставах, демпфирование (подавление колебаний). Любое неточное значение приводит к нестабильности — робот может спотыкаться, падать или сбиваться с траектории.

Чтобы решить эту проблему, учёные встроили в симулятор механизм автоматической самонастройки. Разработка основана на дифференцируемом симуляторе MuJoCo-XLA, который используется для моделирования динамики тел.

"Используя данные о положении, скорости и управляющих сигналах, симулятор сам вычисляет, как именно нужно изменить массу, трение и инерцию, чтобы поведение виртуального двойника совпало с поведением реального робота", — сообщили в пресс-службе МФТИ.

Почему это важно для обучения с подкреплением? Потому что в таких системах робот осваивает действия методом проб и ошибок, получая "награду” за правильные движения. Чем точнее виртуальная копия, тем быстрее алгоритм находит оптимальную стратегию.

Сравнение с предыдущими методами показало, что раньше инженеры вручную подбирали параметры, что занимало недели. Теперь же симулятор корректирует их автоматически в ходе обучения, экономя время и ресурсы.

Экспериментальные результаты

Испытания проводились на двуногом роботе Mini, предназначенном для тестирования алгоритмов ходьбы. Эксперименты показали, что применение новой модели уменьшило отклонение траектории на 75 % и увеличило пройденное расстояние на 46 % по сравнению с базовыми алгоритмами.

А что если робот перемещается по неровной поверхности? Разработчики отмечают, что система успешно адаптируется и к сложным условиям — модель "учится” корректировать баланс, не теряя устойчивости.

"Обычно, чтобы точно определить параметры робота, на него приходится вешать множество дорогих и неудобных датчиков. Наша модель использует только данные о положении, скорости частей робота и управляющих командах, которые подаются на его моторы. На их основе симулятор оптимизирует параметры и настраивает виртуальную копию робота", — рассказал член авторского коллектива, аспирант Вячеслав Ковалев.

Техническое значение и преимущества подхода

Разработка МФТИ позволяет отказаться от громоздких сенсорных систем. Сбор данных происходит без дополнительных измерительных устройств — симулятор вычисляет нужные параметры по стандартным сигналам управления. Это снижает себестоимость экспериментов и ускоряет отладку.

Почему виртуальная модель эффективнее физических тестов? Потому что в цифровой среде можно моделировать сотни сценариев за короткое время, не рискуя повредить оборудование. Каждый запуск симулятора — это несколько часов "жизни” робота в ускоренном времени, что эквивалентно дням реальных испытаний.

Ошибка традиционных подходов — попытка добиваться точности через механические калибровки. Последствие — высокая стоимость и длительные паузы между итерациями. Альтернатива, предложенная МФТИ, — перенести процесс оптимизации в программную среду и интегрировать самонастройку прямо в обучение.

Применение и перспективы

Технология может использоваться не только для двуногих систем, но и для других роботизированных платформ — манипуляторов, экзоскелетов, мобильных сервисных машин. По оценке исследователей, модель особенно полезна для разработки роботов, предназначенных для взаимодействия с человеком — в медицине, логистике и спасательных операциях.

Можно ли применять симулятор в промышленности? Да, особенно на этапах проектирования и тестирования новых прототипов. Алгоритм позволяет создать виртуальную копию будущего устройства, отработать поведение и перенести оптимальные параметры на физический образец.

Сравнение с зарубежными аналогами показывает, что отечественная разработка отличается встроенной функцией дифференцируемой оптимизации — она не просто имитирует поведение, а вычисляет физические свойства на основе обратных связей. Это приближает её к концепции цифрового двойника нового поколения.