Un equipo de investigadores ha logrado avances significativos en el desarrollo de robots humanoides al implementar una arquitectura de tres capas que permite una locomoción estilística con ajuste de pasos en tiempo real. Esta investigación, que estará presente en la Conferencia Internacional sobre Robots Humanoides de la IEEE-RAS 2024, propone una novedosa combinación de red neuronal profunda autoregresiva (DNN) que genera trayectorias centrodal y posturales, y un controlador predictivo basado en modelos (MPC).

La red DNN, entrenada con datos de captura de movimiento humano, permite que los robots emulen patrones de locomoción humana. Este acto generador de trayectorias se integra con una capa que ajusta las trayectorias mediante optimización no lineal, asegurando la viabilidad dinámica del movimiento del centro de masa (CoM) del robot. Se exploraron dos modalidades de esta capa de ajuste: un planificador de horizonte decreciente (RHP) y MPC, siendo esta última potenciada mediante un filtro de Kalman para reducir el ruido de medición.

En experimentos realizados con el robot humanoide ergoCub, estas tecnologías demostraron ser capaces de evitar caídas, replicar estilos de paseo humano y resistir perturbaciones de hasta 68 Newton. La sujeción de las siguientes variables con un control de barrera es vital: la posición del CoM, la dinámica centroidal del robot, y el ajuste de posiciones de contacto, logrando una locomoción similar a la humana.

Para mejorar el desempeño de MPC, se utilizó un algoritmo genético para afinar automáticamente los parámetros del filtro de Kalman, mostrando que este ajuste puede impactar positivamente en la respuesta del robot ante fuerzas externas imprevistas.

Estos avances auguran mejoras en la transición entre enfoques basados en datos y modelos, proporcionando una base para un control arquitectural jerárquico superior en robots humanoides, capaz de reconciliar la precisión del ajuste dinámico con la naturalidad del estilo de marcha humana.