Auf Basis von Reinforcement Learning bewegt sich der zweibeinige Roboter P1 in der Wildnis.

Basierend auf modernster Reinforcement-Learning-Technologie hat Foxtechs zweibeiniger Roboter P1 kürzlich seinen ersten Test im anspruchsvollen Gelände des Tanglangshan-Parks in Shenzhen erfolgreich abgeschlossen. In einer völlig offenen und ungeschützten Umgebung ohne Trainingsdaten demonstrierte P1 seine beeindruckende Mobilität in unterschiedlichem Terrain und stellte dabei die durch intensives Reinforcement Learning optimierte Kontrolle und Stabilität unter Beweis. Mit minimalem Eingriff und ohne vorab gespeicherte Daten im Waldgebiet unterstreicht P1s erfolgreicher Einsatz die fortschrittlichen Reinforcement-Learning-Fähigkeiten von Foxtech und den innovativen Ansatz im Bereich der autonomen Robotik.

P1s erster Ausflug ins unerforschte Terrain: Reinforcement Learning in der Praxis

Foxtech hat jahrelang seine proprietäre Reinforcement-Learning-Plattform entwickelt und verfeinert, die sich darauf konzentriert, wegweisende Forschung in skalierbare, systematisierte Funktionen für die Produktentwicklung zu überführen. Diese Forschung mündete in einem einzigartigen Reinforcement-Learning-Framework, das auf drei Kernelementen basiert:

Real2Sim2Real Closed-Loop-System – Ein kontinuierlicher, automatisierter Datenzyklus von der Erfassung realer Daten über die Simulationsmodellierung bis hin zur Strategieumsetzung reduziert menschliche Eingriffe erheblich. Dieser Prozess minimiert die Diskrepanz zwischen Simulation und Realität und steigert so die Trainingseffizienz und Ergebnisgenauigkeit.

Architekturdesign des neuronalen Netzes – Die Architektur des neuronalen Netzes von Foxtech basiert auf einem modularen Design, das die Rolle jedes Moduls definiert und die Anpassungsfähigkeit an unterschiedliche Umgebungen und Hardwarekonfigurationen gewährleistet. Diese Struktur ermöglicht eine robuste, störungsresistente Steuerungsstrategie, die sich an verschiedene Roboter und Szenarien anpassen lässt.

Datengenerierung und Trainingsalgorithmen – Foxtech begegnet dem Mangel an effektiven Trainingsdaten durch einen iterativen Vortrainingsansatz (IPT), der die Kernfähigkeiten des Roboters in einzelne Phasen unterteilt. Diese Methode ermöglicht es Foxtech, gezielte und wertvolle Daten zu sammeln und so leistungsstarke Strategien für komplexe Mobilitätsaufgaben zu entwickeln.

Diese drei Elemente ermöglichen es dem P1-Roboter gemeinsam zu gehen, zu klettern und sich an unwegsames Gelände anzupassen. Dies beweist, dass Foxtechs Reinforcement-Learning-Framework auch mit minimalen Vorabdaten reale Umgebungen bewältigen kann.

Die jüngsten Tests demonstrierten die beeindruckende Mobilität und Anpassungsfähigkeit des Roboters P1. Er bewältigte Hindernisse wie schmale Gräben, freiliegende Gesteinsschichten, gewundene Ranken und erodierten, rutschigen Untergrund. Anders als in kontrollierten Umgebungen war jede Steigung, Stufe und Oberfläche, auf die P1 traf, einzigartig und stellte den mit natürlichen Landschaften unvertrauten Roboter vor neue Herausforderungen. Obwohl keine Vorkenntnisse über Waldwege oder ähnliche Bedingungen vorlagen, passte sich P1 diesen Hindernissen nahtlos an und manövrierte dynamisch und effizient hindurch.

Dieser Erfolg unterstreicht die Zuverlässigkeit und Anwendbarkeit des systematischen Reinforcement-Learning-Ansatzes von Foxtech. Foxtech hat gezeigt, dass P1 über typische Laborszenarien hinausgeht und damit sein Potenzial für fortgeschrittenere Anwendungen in realen Umgebungen verdeutlicht.

Zukunftsperspektiven: Erweiterung der Roboterfähigkeiten in realen Umgebungen

Die kontinuierliche Weiterentwicklung von Foxtech konzentriert sich auf zentrale Kompetenzen der Robotik, darunter Mobilität (Fortbewegung), Manipulation und die kombinierte Steuerung von Bewegung und Manipulation (Loko-Manipulation). Aufbauend auf dem Erfolg mit P1 strebt Foxtech weitere Entwicklungen an, die Fortschritte in der humanoiden und zweibeinigen Robotik vorantreiben werden. Jeder Meilenstein, wie beispielsweise der erfolgreiche Einsatz von P1 in unstrukturiertem Gelände, unterstreicht die Effektivität des einzigartigen Ansatzes von Foxtech im Bereich des Reinforcement Learning und das Engagement des Unternehmens für die Entwicklung praktischer, robuster und adaptiver Roboterlösungen.

Die auf Reinforcement Learning basierenden Innovationen von Foxtech eröffnen einen Blick in die Zukunft der Robotik. Maschinen werden nicht nur robust, sondern auch anpassungsfähig sein und unbekanntes Terrain mit minimalen Dateneingaben meistern. Während Foxtech kontinuierlich neue Anwendungsgebiete erforscht, beweist der zweibeinige Roboter P1 eindrucksvoll die Leistungsfähigkeit des fortschrittlichen, systematischen Reinforcement Learnings bei der Entwicklung der nächsten Generation autonomer Roboter.