Hat robotikai kutatást mutat be a RAI Institute az IROS 2026 konferencián

Hat tanulmány, eltérő robotikai problémákra

Az IROS 2026 szeptember 27. és október 1. között zajlik Pittsburghben, Pennsylvania államban. A RAI Institute szeptember 25-i összefoglalója szerint a konferencia a robotikai kutatók és iparági szereplők egyik fontos nemzetközi találkozója, ahol technikai előadások, műhelyek és bemutatók révén vitatják meg az intelligens rendszerek fejlődését.

A RAI kutatócsoportjainak elfogadott tanulmányai több területet fednek le. A PACTS olyan zárt hurkú vizuomotoros irányítást mutat be, amely a cselekvéseket és az általuk kiváltott szimbolikus eredményeket közös generatív folyamatként kezeli. A cél az ismert készségek új kombinációinak betanítás nélküli összeállítása.

A Vernata önfelügyelt tanulási keretrendszer kültéri LiDAR-pontfelhőkhöz. A módszer ritka nézetekből végzett bővítést, memóriabankot és nagy felbontású képi jellemzőkkel végzett, többmodalitású tudásdesztillációt alkalmaz.

Pingpongozó négylábú robot és deformálható tárgyak

A Whole-Body Model Predictive Control for Spin-Aware Quadrupedal Table Tennis című munka egy karral felszerelt négylábú robot teljes testének irányítását vizsgálja. A folyamatos idejű modellprediktív vezérlés lehetővé teszi az időkritikus feltételek, például a labda eltalálásához szükséges korlátozások elhelyezését a pálya bármely pontján.

A rendszer egy modellalapú és tanult elemeket kombináló pörgetésbecslőt, valamint egy célzótervezőt használ. A RAI Institute szerint a megoldást Spot roboton tesztelték, amely különböző pörgetésű labdákat tudott célzottan visszaütni, és emberi játékosokkal is labdamenetet játszott.

Az EMPM, vagyis az Embodied MPM deformálható tárgyak modellezésére és szimulációjára szolgál. Többnézetű RGB-D-videók alapján rekonstruálja a geometriát és a megjelenést, majd egy differenciálható Material Point Method fizikai szimulátorral modellezi az anyag viselkedését. Az érzékelési visszajelzés alapján a rendszer működés közben is optimalizálja a szimuláció paramétereit. A kísérletekben az EMPM felülmúlta a rugó-tömeg alapú modelleket.

Gyors tanulás szimulációval és generatív modellekkel

A ZeroBot olyan real2sim keretrendszer, amely egy robotikai manipulációs feladat megtanulását célozza meg emberi bemutatók, előzetesen betanított szabályzat és ismert tárgymodellek nélkül. Egyetlen tárgynézetből és a kívánt tárgypózból képgeneráló, 3D-s modellek készítenek teljes tárgyhálót, amelyet a rendszer nagyméretű, párhuzamos megerősítéses tanuláshoz használ a szimulációban.

A forrás szerint a ZeroBot valós feladatokban, többek között megfogásnál, tolásnál és csuklós tárgyak kezelésénél 87 százalékos sikerarányt ért el. Az átlagos tanítási idő 119 másodperc volt.

A Simify szintén egyetlen RGB-D-képből indul ki, és 3D-s generatív modellek, valamint látás-nyelvi modellek segítségével szimulációhoz használható eszközöket rekonstruál. A megadott jutalmazási függvény alapján több ezer párhuzamos szimulációs próbát futtat, majd evolúciós kereséssel optimalizálja a tárgyak elrendezését. A RAI Institute szerint a rendszer korábban nem látott tárgyakkal végzett, összetett átrendezési feladatokban is működött valós roboton, és jellemzően másodpercek alatt konvergált.

Kutatási platformok a kiállításon

A kutatások mellett a RAI Institute a konferencia kiállítási csarnokának 1102-es standján is jelen lesz. A látogatók az intézet egyedi fejlesztésű robotikai kutatási platformjaival találkozhatnak, köztük az Ultra Mobility Vehicle-lel, a Roadrunnerrel és a robotikai adatgyűjtéshez használt Koala megfogókkal.

A bemutatott munkák közös iránya, hogy a robotok tanulását, érzékelését és fizikai környezetben végzett feladatmegoldását szimulációval, generatív modellekkel vagy összetettebb vezérlési módszerekkel támogassák. A konferencián a RAI Institute ezeknek a megközelítéseknek a kutatási eredményeit és hardveres demonstrációit is bemutatja.