Aibo, den söta robotvalpen som utvecklats av Sony, är designad för att vara en följeslagare i hemmet. Roboten kan redan efterlikna många av de rörelser och beteenden som riktiga hundar har, t.ex. gå på fyra ben, svara när den kallas vid namn, reagera på leksaker, utföra tricks och svara på kramar.
Forskare vid ETH Zürich och Sony Group Corporation har nyligen utvecklat nya modeller baserade på förstärkningsinlärning (RL) som ytterligare kan utöka aibo-robotens kapacitet. Dessa modeller, som beskrivs i två olika dokument som förpublicerats på arXiv, är särskilt avsedda att göra det möjligt för roboten att gå tyst respektive utföra uttrycksfulla dansrutiner.
”Användare av aibo, roboten som utvecklats av Sony, har uppmärksammat ljudet av robotens fotsteg när den går runt i deras hem”, säger Ryo Watanabe, försteförfattare till studierna.
”Vi har därför nyligen utformat en sim-to-real-baserad RL-metod för att minimera fotkontakthastigheten i fysiksimulatorn och uppnå tyst gång.”
För att minska det ljud som aibo-valpen avger när den går utvecklade Watanabe och hans kollegor en ny metod baserad på RL. Deras metod tränades för att aktivt dämpa och styva upp var och en av robotens leder, utnyttja data som samlats in av sensorerna under tassarna och gradvis genomdriva straff på snabba rörelser som producerar ljud.
Forskarna tillämpade sin metod på aibo och bedömde dess prestanda i verkliga experiment. De jämförde sedan också det ljud som roboten gav upphov till när de använde sin metod med det ljud som den gav upphov till när dess rörelse styrdes av andra RL-baserade baslinjemetoder och de styrenheter som för närvarande används av Sony.
”Vi fann att vår styrenhet för förflyttning avsevärt minskar ljudet från roboten när den går, vilket gör den betydligt tystare än kommersiella styrenheter från Sony och andra konventionella RL-styrenheter”, säger Watanabe.
Förutom att utrusta aibo med förmågan att gå tystare runt i hemmiljöer, ville forskarna förbättra dess underhållningsförmåga. De skapade en modell som kallas Deep Fourier Mimic (DFM), som kombinerar rörelserepresentation med RL för att producera mer uttrycksfulla dansrutiner.
”Att skapa olika konstnärliga rörelser för underhållningsrobotar är tidskrävande för designers och begränsas vanligtvis till enkel rörelseuppspelning”, förklarade Watanabe. ”Med DFM kan underhållningsrobotar däremot imitera en konstnärlig rörelse så mycket som möjligt och samtidigt lägga till ytterligare en uppgift, t.ex. förflyttning.”
Watanabe och hans kollegor visade att den nya danspolicy som de skapade resulterade i mjukare och mer naturliga rörelser. Dessutom gjorde den det möjligt för roboten aibo att interagera med användarna på nya sätt, genom att dansa med dem och härma deras rörelser.
”Den danspolicy som vi utvecklade följer inte bara referensrörelser utan övergår också naturligt mellan olika rörelselägen”, säger Watanabe.
De nya RF-baserade metoder som forskargruppen har utvecklat skulle kunna användas på aibo för att göra den tystare och ytterligare förbättra dess förmåga att underhålla användarna. Dessutom skulle de kunna användas på andra hushållsrobotar eller på robotsystem som är utformade för att underhålla gäster på nöjesparker världen över.
I framtiden hoppas Watanabe och hans kollegor kunna övervinna några av de begränsningar som de observerade när de testade modellerna i verkliga experiment.
”Vi observerade en kompromiss mellan tystnad och robusthet under gång”, tillägger Watanabe.
”Vi strävar därför nu efter att utveckla en metod för att lära oss en gångpolicy som är både tyst och robust genom att utnyttja perceptionsinformation. Den expressiva dansmetoden uppvisade å andra sidan en fördel för periodiska rörelser som dans och förflyttning, men inte för icke-periodiska rörelser som att greppa, sparka och stå upp, som för närvarande måste segmenteras separat.”
För mer information: Ryo Watanabe et al, Learning Quiet Walking for a Small Home Robot, arXiv (2025). DOI: 10.48550/arxiv.2502.10983
Ryo Watanabe et al, DFM: Deep Fourier Mimic for Expressive Dance Motion Learning, arXiv (2025). DOI: 10.48550/arxiv.2502.10980
