Un solo controlador permite a los robots humanoides caminar, alcanzar, mantener el equilibrio y gestionar el contacto

Un solo controlador permite a los robots humanoides caminar, alcanzar, mantener el equilibrio y gestionar el contacto

Liangjun Xing, Ke Fan, Kailin Li, Bin Wang, Xiaojie Niu +6 más

10 min de lectura•15 nov 2026

FORGE proporciona a un humanoide un único controlador para caminar, cambiar de postura, mover las muñecas y manipular objetos teniendo en cuenta el contacto. Estima las fuerzas de interacción en las muñecas a partir del movimiento de las articulaciones y de estimaciones del par motor, por lo que puede adaptarse durante el contacto sostenido sin sensores de fuerza/par montados en las muñecas. Las pruebas con hardware mostraron un error de seguimiento de muñeca inferior a 8 cm y un error de colocación del pie inferior a 10 cm; además, una política de difusión lo utilizó para realizar tareas de levantamiento con cuatro condiciones de carga.

Índice

¿Qué construyeron los investigadores?

FORGE es un controlador de cuerpo completo para robots humanoides: un sistema que coordina la locomoción con los movimientos de brazos y manos necesarios para realizar tareas. Su interfaz de comandos admite varios niveles de detalle. Un operador o un planificador de nivel superior puede dirigir al robot hacia una zona de trabajo, ajustar su postura o proporcionar una trayectoria para la muñeca. El controlador busca que esos comandos funcionen en conjunto, en lugar de tratar la marcha y la manipulación como tareas independientes.

El sistema también aborda un problema que aparece cuando un robot empuja, sostiene o coloca un objeto: necesita responder a las fuerzas de contacto, pero los sensores de fuerza/par montados en las muñecas añaden requisitos de hardware e integración. FORGE estima la fuerza de interacción en cada muñeca mediante información del estado de las articulaciones y pares de control del motor reconstruidos, y después utiliza esa estimación para ajustar los objetivos de posición de las muñecas durante el contacto sostenido y relativamente estable.

Para el movimiento de cuerpo completo, FORGE parte de un controlador de locomoción preentrenado y mantiene fija esa política experta de la parte inferior del cuerpo. Una política residual aprendida añade acciones de la parte superior del cuerpo y ajustes correctivos de la parte inferior, lo que permite al robot alcanzar objetos o manipularlos sin perder la base de marcha aprendida. El controlador se entrenó sin depender de demostraciones de movimiento humano de cuerpo completo.

Humanoide FORGE realizando una tarea con una botella y mostrando la respuesta estimada de la fuerza en la muñeca

¿Qué resultados obtuvo FORGE en las pruebas?

Las pruebas con hardware abarcaron la marcha, las sentadillas y el levantamiento, la colocación de los pies según comandos, el alcance dinámico y la recuperación de perturbaciones. En una evaluación de alcance dinámico, el error cuadrático medio (RMSE), una medida del error de seguimiento típico, fue inferior a 8 cm para la posición tridimensional de la muñeca e inferior a 10 cm para la posición planar del pie. Estas cifras indican un seguimiento útil en el espacio de tarea, aunque por sí solas no demuestran el rendimiento en todos los robots o entornos operativos.

Los investigadores también probaron un empuje de 30 N en la muñeca y un arrastre del cuerpo de 50 cm. Las trazas representativas mostraron errores transitorios de seguimiento seguidos de recuperación, con una aceleración de la pelvis acotada; los resultados proporcionados no indican un tiempo de recuperación numérico ni un límite de aceleración. En las comparaciones de estimadores, el estimador híbrido de fuerza redujo el error frente a las alternativas basadas solo en métodos analíticos o solo en aprendizaje para los contactos cuasiestáticos evaluados, pero el texto proporcionado no informa de valores de error exactos.

EvaluaciónResultado informado
Seguimiento dinámico de la muñecaRMSE de la posición tridimensional de la muñeca inferior a 8 cm
Colocación dinámica del pieRMSE de la posición planar del pie inferior a 10 cm
Pruebas de perturbaciónTrazas de recuperación tras un empuje de 30 N en la muñeca y un arrastre del cuerpo de 50 cm
Datos para aprendizaje posterior320 demostraciones: 80 para cada una de las cuatro condiciones de carga
Pruebas con hardware20 pruebas por condición de carga

En otra prueba, se entrenó una política de difusión —un modelo que convierte la entrada visual y el estado de la tarea en comandos de acción— con demostraciones de cuatro condiciones de carga. FORGE actuó como ejecutor de cuerpo completo de la política para tareas de agacharse y levantar. Esto demuestra que un planificador aprendido podía enviar a FORGE comandos con distintos niveles de detalle; los resultados disponibles no indican una tasa de éxito de la tarea ni los pesos de las cargas.

Evaluación de la generalización de fuerzas de FORGE en distintas condiciones de contacto

¿Cómo controla FORGE un humanoide?

FORGE combina tres componentes: una interfaz de comandos multinivel, un bucle de estimación de fuerzas de contacto y adaptación, y un controlador residual de cuerpo completo.

La ruta de estimación de fuerzas comienza con un observador de momento basado en un modelo. Un observador es un cálculo que estima magnitudes físicas no observables a partir de mediciones; en este caso, las fuerzas de interacción externas. FORGE incorpora una corrección aprendida con supervisión generada en simulación. Durante el uso, ese estimador híbrido utiliza los estados de las articulaciones de los brazos y los pares reconstruidos de los motores proporcionales-derivativos (PD) de bajo nivel. No necesita un sensor de fuerza/par en la muñeca. Su objetivo es el componente de baja frecuencia de la fuerza equivalente en la muñeca, por lo que resulta más pertinente para contactos sostenidos y cuasiestáticos que para cada impacto rápido.

Durante el contacto, la fuerza estimada alimenta un bucle de objetivos virtuales. Este ajusta el objetivo de posición de la muñeca para tener en cuenta la fuerza que actúa sobre ella y, opcionalmente, una fuerza que se ordena al robot aplicar. Así, el controlador puede adaptar su movimiento mientras mantiene el contacto, en lugar de depender únicamente de una trayectoria fija para la muñeca.

Para coordinar el cuerpo completo, la política experta de locomoción preentrenada proporciona la acción de referencia de la parte inferior del cuerpo. Una política de aprendizaje por refuerzo añade acciones residuales: ajustes aprendidos que se superponen a esa referencia. Controla la parte superior del cuerpo y puede realizar cambios correctivos en la parte inferior. Mantener congelada la política experta de locomoción reduce la cantidad de exploración arriesgada necesaria para aprender a manipular, sin impedir que el robot cambie el equilibrio según lo requiera la tarea. Los investigadores también informan del uso de enmascaramiento de comandos y entrenamiento residual asimétrico para mejorar la estabilidad y el seguimiento en el espacio de tarea en comparación con ablaciones, es decir, pruebas que eliminan o modifican partes del método.

Aceleración de la pelvis y error de seguimiento de la muñeca durante las pruebas de FORGE con hardware

¿Por qué es importante FORGE para la robótica en el mundo real?

Muchas tareas para humanoides exigen que el robot se mueva y manipule objetos al mismo tiempo: acercarse a una zona de trabajo, colocar los pies, alcanzar un objeto y ajustar el movimiento cuando comienza el contacto. Un controlador que coordine estos pasos podría simplificar la transición entre navegación, manipulación y gestión del contacto. Los comandos de FORGE con distintos niveles de granularidad también ofrecen una posible conexión entre el control de bajo nivel del robot y un planificador de nivel superior que especifica una tarea sin dictar cada movimiento articular.

La estimación de la fuerza en la muñeca sin sensores especializados podría reducir la dependencia de hardware específico para muñecas en el tipo de contacto sostenido evaluado. «Sin sensores» se refiere aquí a la medición de fuerza/par en la muñeca, no a toda la percepción: el estimador sigue dependiendo de los estados de las articulaciones y de los pares motores reconstruidos. Su adaptación al contacto podría ser útil en tareas como estabilizar o levantar un objeto, pero las pruebas no demuestran su rendimiento con todos los materiales, impactos o flujos de trabajo industriales.

La evaluación con una política de difusión es pertinente porque trata a FORGE como un ejecutor bajo un planificador visuomotor, en lugar de pedir al planificador que genere todos los comandos articulares. Esta separación podría ayudar a los equipos a desarrollar comportamientos a nivel de tarea y mantener el equilibrio y la ejecución de cuerpo completo en una capa de control específica. Los ingenieros que comparan plataformas pueden consultar robots humanoides en Robot Overflow o explorar el mercado de robots usados.

¿Qué aspectos de FORGE aún no se han demostrado?

La ventaja informada en la estimación de fuerzas se limita a los contactos cuasiestáticos evaluados. Los resultados proporcionados no incluyen valores exactos del error de fuerza, por lo que aquí no es posible cuantificar la magnitud de la mejora frente a la estimación basada solo en métodos analíticos o solo en aprendizaje. Los impactos rápidos, los cambios en la geometría del contacto y los materiales menos predecibles siguen siendo aspectos por evaluar.

Las cifras de seguimiento corresponden a evaluaciones con hardware, pero el texto disponible no proporciona tasas completas de éxito de las tareas, tiempos de recuperación ni límites numéricos de aceleración de la pelvis. La prueba con la política de difusión utiliza cuatro condiciones de carga y 320 demostraciones, pero no se incluyen los pesos de las cargas ni las tasas de éxito entre condiciones. Por último, una política experta de locomoción congelada puede preservar una marcha estable, pero también podría limitar los movimientos disponibles para la política residual. Pruebas más amplias en distintas plataformas y tareas permitirían aclarar cuánto reentrenamiento o ajuste requiere la implementación.

¿Qué deben saber los ingenieros sobre FORGE?

¿FORGE requiere sensores de fuerza/par en las muñecas? No. Su estimador de fuerza en la muñeca utiliza los estados de las articulaciones de los brazos y los pares PD de bajo nivel reconstruidos, aunque el robot sigue necesitando esas mediciones subyacentes.

¿Puede FORGE controlar conjuntamente la marcha y la manipulación? Sí. Combina comandos de navegación, postura y posición de la muñeca en un único controlador de cuerpo completo, con correcciones aprendidas que pueden coordinar el movimiento de la parte superior e inferior del cuerpo.

¿Qué precisión tuvo el seguimiento de la muñeca en la prueba informada? El RMSE de la posición de la muñeca durante el alcance dinámico fue inferior a 8 cm en tres dimensiones. Es un resultado de una prueba, no una garantía para todas las tareas o plataformas.

¿Se probó FORGE con un planificador visual aprendido? Sí. Una política de difusión utilizó RGB montado en la cabeza y el estado de la tarea para dar órdenes a FORGE en cuatro condiciones de carga, a partir de 320 demostraciones.

¿Cuál es la conclusión práctica?

FORGE combina locomoción, alcance y adaptación al contacto sostenido en un único sistema de control humanoide, con resultados de hardware que muestran un error de seguimiento inferior a 8 cm para la muñeca e inferior a 10 cm para el pie en una prueba de alcance dinámico. Su principal aportación es una arquitectura de control práctica que conecta los comandos a nivel de tarea con el movimiento de cuerpo completo, aunque todavía hace falta informar con mayor detalle sobre la precisión de la estimación de fuerzas y el rendimiento en implementaciones más amplias.