ROBOTICS & HUMANOID

FetchMan: การฝึกหุ่นยนต์ฮิวแมนนอยด์ให้เดินและหยิบจับสิ่งของจากประสบการณ์ในระบบจำลอง

arXiv19 Aug 2026
1 min read
Key Takeaways
  • FetchMan รวมการเดินและการหยิบจับเข้าด้วยกันในโมเดลเดียว และสามารถใช้งานจริงได้โดยไม่ต้องเทรนเพิ่มหน้างาน (Zero-shot)

ทำไมเรื่องนี้ถึงสำคัญ

เป็นการพิสูจน์ว่าหุ่นยนต์ฮิวแมนนอยด์สามารถเรียนรู้งานที่ซับซ้อนผ่านระบบจำลองขนาดใหญ่และนำมาใช้ในโลกจริงได้สำเร็จ ซึ่งจะช่วยลดต้นทุนและเวลาในการพัฒนาหุ่นยนต์บริการ

การสร้างหุ่นยนต์ฮิวแมนนอยด์ที่สามารถทำงานบ้านหรืองานในชีวิตจริงได้นั้นมีความยากลำบากในการรวบรวมข้อมูลสาธิต งานวิจัย FetchMan จึงเสนอแนวทางการฝึกหุ่นยนต์ในระบบจำลอง (Simulation) แล้วนำมาใช้งานในโลกจริงโดยตรง (Zero-shot transfer) ซึ่งครอบคลุมทั้งการทรงตัวขณะเดิน (Locomotion) และการเคลื่อนไหวของมือเพื่อหยิบจับ (Manipulation)

ทีมวิจัยพบว่าการใช้วิธีเลียนแบบพฤติกรรม (Behavior Cloning) จากข้อมูลสังเคราะห์เพียงอย่างเดียวมีข้อจำกัดด้านประสิทธิภาพ จึงได้นำ Reinforcement Learning และเทคนิค Flow-GRPO มาช่วยปรับแต่งนโยบายการควบคุม (Policy) จนสามารถสร้างโมเดลที่ทำงานได้ดีในฉากจำลองกว่า 150,000 รูปแบบ เมื่อนำไปทดสอบกับหุ่นยนต์จริงรุ่น Unitree G1 ระบบสามารถเดินเข้าไปหยิบวัตถุในฉากใหม่ที่ไม่เคยเห็นมาก่อนได้สำเร็จถึง 73.3% นอกจากนี้ยังมีการปล่อยชุดทดสอบมาตรฐาน FetchMan-Bench เพื่อให้นักวิจัยคนอื่นๆ นำไปพัฒนาต่อยอดได้

สรุปประเด็นหลัก

ใช้ระบบจำลองขนาดใหญ่กว่า 150,000 ฉากในการฝึกฝน

นำเทคนิค Flow-GRPO มาใช้เพิ่มประสิทธิภาพเหนือกว่าการทำ Behavior Cloning แบบเดิม

ทดสอบใช้งานจริงกับหุ่นยนต์ Unitree G1 ได้สำเร็จในอัตรา 73.3%

นวัตกรรมและเทคโนโลยี

models

Visual Loco-Manipulation Policy

นโยบายการควบคุมที่ผสานการมองเห็น การเดิน และการหยิบจับวัตถุไว้ในระบบเดียว

tools

FetchMan-Bench

ชุดทดสอบมาตรฐานในระบบจำลองสำหรับการประเมินความสามารถในการเดินและหยิบจับของหุ่นยนต์

Developer Impact
นักพัฒนาหุ่นยนต์สามารถเข้าถึงแนวทางการฝึกแบบ Sim-to-Real ที่ใช้งานได้จริง และใช้ Benchmark ที่แจกฟรีในการประเมินประสิทธิภาพอัลกอริทึมของตนเอง
Keywords
#humanoid robotics #sim-to-real #loco-manipulation #reinforcement learning #unitree g1
Original Source

อ่านข้อมูลเพิ่มเติมจากแหล่งข่าวหลัก

arXiv