Китайская компания Feijie Kesi представила SwingBot — гуманоидного робота, который впервые на аппаратном обеспечении с высокой степенью свободы освоил непрерывное передвижение на руках (брахиацию) по навесным перекладинам. Робот выполняет полный цикл «выпуск — раскачивание — захват», поочерёдно перехватывая руками перекладины. Успешность на реальном оборудовании составила 92,86%, а исследование принято на престижную конференцию CoRL 2026 .

Что такое брахиация и почему это сложно

Брахиация — это способ передвижения, при котором животное (например, гиббон) перемещается, подвешиваясь на руках и перехватывая ими ветки или перекладины. Для гуманоидного робота это одна из самых сложных задач в области управления движением .

Трудность заключается в трёх ключевых аспектах :

  • Длинная последовательность действий: робот должен освоить полную цепочку «выпуск — раскачивание — захват» — это длительная временная задача, где каждое действие зависит от предыдущего.
  • Координация всего тела: необходимо точно управлять импульсом всего тела и синхронизировать попеременный контакт рук с перекладинами .
  • Отсутствие датчиков: в стандартной комплектации человекоподобные роботы не имеют сенсоров, напрямую измеряющих относительное смещение перекладины и состояние крюка, что создаёт нехватку критически важной физической информации .

Технические характеристики и метод обучения

SwingBot использует пассивные крюки на запястьях — то есть робот не «сжимает» перекладину пальцами, а зацепляется за неё специальным элементом. Это упрощает механику, но предъявляет высокие требования к точности позиционирования и моменту захвата.

Для решения проблемы разработчики применили комбинацию двух технологий :

Технология Назначение
Резидуальное управление по биомиметическим ключевым кадрам Заимствованные у приматов ключевые позы (выпуск, мах вниз, мах вперёд, подъём руки, захват) используются как «подсказки» для ускорения обучения на ранних этапах
Модель мира на основе рекуррентного пространства состояний (RSSM) Обучается в симуляторе, где доступны «привилегированные» данные (точное положение и контакт), и затем переносится на реального робота, обеспечивая оценку смещения тела и состояния крюка

Модель RSSM не используется для планирования действий, а служит «латентным состоянием», которое помогает политике управления infer-ить относительное смещение тела и состояние контакта левого/правого крюка в реальном времени .

Управление и физические ограничения

Политика управления имеет 20 степеней свободы: 12 в ногах и 8 в руках. Каждый шаг политика выдаёт остаточные целевые позиции суставов, которые отслеживаются низкоуровневым PD-контроллером. Обучение проводилось методом PPO .

Ключевые физические параметры робота :

  • Вес: 10,15 кг
  • Максимальный момент в суставах рук: 10 Н·м

Несмотря на скромный момент, робот компенсирует его использованием ног: анализ показал, что SwingBot не выполняет брахиацию только за счёт рук — он использует движения ног для перестройки конфигурации тела, регуляции баланса и генерации полезного импульса .

Испытания и результаты

В ходе реальных экспериментов SwingBot продемонстрировал следующие возможности :

  • Непрерывное прохождение: робот выполняет полные последовательности с попеременным использованием левой и правой руки, подтверждая замкнутый цикл попеременной поддержки, а не изолированные движения.
  • Восстановление после толчков: при внешнем толчке робот восстанавливает равновесие и возвращается к следующему захвату.
  • Работа с нагрузкой: робот прошёл дистанцию с дополнительным грузом в 1 кг.
  • Адаптация к разному расстоянию: робот справился с перекладинами на разном удалении, что указывает на определённую степень адаптивности.

Контекст: экосистема физического ИИ

SwingBot — не изолированный проект. Feijie Kesi разрабатывает собственный физический симуляционный движок Fysics — первый в Китае дифференцируемый физический движок, поддерживающий единое решение для твёрдых тел, мягких тел и жидкостей . Компания также создала платформу симуляционного обучения MoziSim и физическую модель мира Fysiverse, которые используются для тренировки роботов в виртуальной среде с последующим переносом навыков на реальное железо .

Эта технологическая база позволяет компании не только обучать конкретные навыки вроде брахиации, но и строить универсальные физические модели мира, способные понимать законы физики и адаптироваться к нестандартным сценариям — что критически важно для массового внедрения гуманоидов в реальную среду .

Значение для робототехники

Брахиация открывает гуманоидным роботам новый способ передвижения в ситуациях, когда путь по земле заблокирован — например, в завалах, на пересечённой местности или в промышленных помещениях со сложной геометрией . Хотя задача пока решена на лабораторном оборудовании, сам факт того, что робот способен выучить столь сложную последовательность действий с 92,86% успеха, демонстрирует прогресс в области обучения сложным двигательным навыкам для машин с высокой степенью свободы.