Robot này của NVIDIA có thể thực hiện động tác ăn mừng "SIUUUU" như Cristiano Ronaldo, nhảy "APT" dẻo như ROSÉ

Các nhà nghiên cứu từ Đại học Carnegie Mellon (CMU) và NVIDIA đã hợp tác phát triển một phương pháp huấn luyện mới, giúp robot hình người thực hiện các động tác thể thao phức tạp với độ linh hoạt chưa từng có. Nhờ kỹ thuật này, robot có thể tái hiện những động tác kinh điển như cú xoay người trên không khi ăn mừng của Cristiano Ronaldo hay thực hiện vũ đạo của ca khúc "APT" như ROSÉ.

Công nghệ đứng sau thành tựu này là ASAP (Aligning Simulation and Real Physics), một hệ thống giúp thu hẹp khoảng cách giữa mô phỏng và thực tế. Trước đây, việc cho robot thực hiện các chuyển động toàn thân một cách linh hoạt và phối hợp nhịp nhàng luôn là một thách thức lớn do sự khác biệt giữa động lực học trong mô phỏng và thế giới thực.

ASAP hoạt động bằng cách huấn luyện trước các chính sách theo dõi chuyển động trong môi trường mô phỏng, sử dụng dữ liệu từ các chuyển động của con người. Sau đó, hệ thống này được triển khai trong thế giới thực để thu thập dữ liệu thực tế, từ đó điều chỉnh mô hình để phù hợp với các quy luật vật lý thực tế hơn.

Nhờ kỹ thuật này, robot có thể thực hiện chính xác nhiều động tác đặc trưng của các huyền thoại thể thao, bao gồm cú xoay người trên không 180 độ “Siu” của Ronaldo, động tác ăn mừng “Silencer” của LeBron James với tư thế giữ thăng bằng trên một chân, và cú ném fadeaway của Kobe Bryant, yêu cầu nhảy và tiếp đất bằng một chân. Không chỉ vậy, robot còn thực hiện được các pha nhảy xa trên 1 mét theo nhiều hướng.

Dù thoạt nhìn, những robot này vẫn còn khá vụng về, điều đó chủ yếu là do hạn chế về phần cứng – chúng không có đủ khớp linh hoạt như con người. Tuy nhiên, chúng vẫn có độ linh hoạt vượt trội so với các thế hệ robot trước nhờ một cơ chế mới mang tên “delta action model”. Đây là một thuật toán bù trừ sai lệch giữa mô phỏng và thực tế, giúp robot điều chỉnh chuyển động theo cách linh hoạt hơn.

Nhờ vào kỹ thuật này, các nhà nghiên cứu đã giảm lỗi theo dõi chuyển động tới 52.7% so với các phương pháp trước đây, mở ra khả năng giúp robot hình người thực hiện các chuyển động mà trước đây được coi là bất khả thi.

Hướng đi mới cho robot hình người

Việc phát triển các robot có độ linh hoạt cao luôn là một trong những thách thức lớn nhất trong lĩnh vực robot. Trong nhiều thập kỷ, các nghiên cứu về robot hình người chủ yếu tập trung vào khả năng di chuyển, coi đôi chân chỉ là phương tiện để di chuyển từ điểm A đến điểm B. Tuy nhiên, ASAP lại huấn luyện robot bằng cách mô phỏng cách con người vận động toàn thân, cho phép nó sử dụng các chi để di chuyển, giữ thăng bằng, tạo đối trọng và thể hiện động tác phức tạp.

Việc tái tạo các chuyển động thể thao không hề đơn giản. Khi thực hiện một động tác thể thao – thậm chí là một động tác cơ bản, con người phải liên tục điều chỉnh hàng loạt yếu tố trong thời gian thực, cân bằng nhiều lực khác nhau trong khi điều chỉnh động lượng và vị trí cơ thể. Để làm điều này với một robot, các nhà nghiên cứu phải điều phối hàng trăm phép tính động lực học phức tạp trong từng khoảnh khắc.

Một minh chứng cho sự phức tạp này là trò chơi QWOP, nơi người chơi phải điều khiển bốn khớp để giúp một vận động viên chạy. Nếu bạn từng dành hàng giờ để cố gắng di chuyển nhân vật trong QWOP, hãy tưởng tượng mức độ khó khăn khi phải điều khiển đồng thời 21 khớp cơ bản trong hệ thống ASAP, trong khi cơ thể con người thực sự có tới hơn 300 khớp hoạt động cùng lúc.

Những năm gần đây, các công ty và trường đại học trên thế giới đã đổ nhiều nguồn lực vào nghiên cứu và phát triển robot hình người. Tesla với dự án Optimus, Figure AI với mẫu robot mới công bố, hay Atlas của Boston Dynamics đều là những minh chứng cho sự quan tâm ngày càng lớn trong lĩnh vực này.

Về mặt học thuật, các trường đại học như Stanford và Đại học Bristol cũng đã phát triển các phương pháp riêng để cải thiện tính linh hoạt và khả năng thích ứng của robot.

Tương lai của ASAP: Robot thể thao hay robot lao động?

Nhóm nghiên cứu của CMU và NVIDIA cho biết họ sẽ tiếp tục hoàn thiện ASAP với mục tiêu giúp robot thích nghi tốt hơn với thế giới thực. Một trong những hướng đi quan trọng là phát triển khả năng nhận diện hư hỏng, giúp robot tự điều chỉnh để giảm thiểu rủi ro phần cứng trong quá trình hoạt động.

Ngoài ra, nhóm nghiên cứu cũng muốn tập trung vào công nghệ nhận diện tư thế không cần đánh dấu (markerless pose estimation) và cảm biến tích hợp, nhằm giảm sự phụ thuộc vào hệ thống theo dõi chuyển động (MoCap) hiện nay.

Dù vậy, vẫn còn nhiều câu hỏi chưa có lời giải đáp. Một trong số đó là liệu công nghệ này có thể được ứng dụng rộng rãi vào thực tế hay không. Trong tương lai, khi robot trở nên linh hoạt hơn, chúng có thể được sử dụng không chỉ trong nghiên cứu mà còn trong các ngành công nghiệp, y tế, thể thao, và thậm chí cả giải trí.

Liệu sẽ đến ngày con người chứng kiến một kỳ World Cup dành riêng cho robot? Điều đó vẫn còn là một ẩn số, nhưng với tốc độ phát triển hiện tại, khả năng này không còn quá xa vời.