Unitree wants its robots to learn to improve themselves/Unitree quiere que sus robots aprendan a mejorarse solos
Source
The project is called "Unitree Rehearsal" and is, in essence, an attempt by Unitree to automate the development cycle of its robots using artificial intelligence. The core idea is for AI to evolve from a mere tool that executes instructions into an "engineer" that designs, tests, and improves the robot's own software. The system functions as a closed-loop, autonomous feedback cycle in which human intervention is limited to supervision and evaluation tasks. The process follows these steps.
El proyecto se llama "Unitree Rehearsal" y es, en esencia, un intento de Unitree de automatizar el ciclo de desarrollo de sus robots mediante inteligencia artificial. La idea central es que la IA deje de ser solo una herramienta que ejecuta instrucciones y se convierta en el "ingeniero" que diseña, prueba y mejora el propio software del robot. El sistema funciona como un bucle cerrado de retroalimentación autónoma en el que la intervención humana se reduce a tareas de supervisión y evaluación. El proceso sigue estos pasos.
First, an AI agent searches for and analyzes academic papers, recent research, and open-source solutions related to a specific problem or skill. Using this information, the AI model writes the control code required for a robot to perform a task. The generated code is then run in a simulation environment to safely validate its functionality. If the simulation is successful, the code is deployed onto a physical robot for real-world testing. The results are evaluated both by the system itself and by human engineers. Finally, the evaluation results are fed back into the system, allowing the AI to learn from its mistakes and improve in the next iteration.
Primero un agente de IA busca y analiza papers académicos, investigaciones recientes y soluciones de código abierto para un problema o habilidad específica. Con esa información, el modelo de IA escribe el código de control necesario para que el robot realice una tarea. A continuación el código generado se ejecuta primero en un entorno de simulación para validar su funcionamiento sin riesgos. Si la simulación es exitosa, el código se implementa en un robot físico para pruebas en el mundo real. Los resultados son evaluados tanto por el propio sistema como por ingenieros humanos. Finalmente, los resultados de la evaluación se introducen de nuevo en el sistema para que la IA aprenda de los errores y mejore la siguiente iteración.
Source
The ultimate goal of this cycle is to exponentially accelerate the development of algorithms, reducing the need for engineers to manually write and debug code—a slow and costly process. By automating research, coding, and testing, Unitree hopes to drastically cut the time required to teach a robot a new skill. This could enable robots to acquire new capabilities at a much faster rate. Currently, robots perform very well in controlled environments (achieving up to 100% success on tasks they have been trained for), but their performance drops sharply when faced with new situations.
El objetivo final de este ciclo es acelerar exponencialmente el desarrollo de algoritmos, reduciendo la necesidad de que los ingenieros escriban y depuren código manualmente, que es un proceso lento y costoso. Al automatizar la investigación, la codificación y las pruebas, Unitree espera reducir drásticamente el tiempo que se tarda en enseñar una nueva habilidad a un robot. Esto podría permitir que los robots adquieran nuevas capacidades a un ritmo mucho mayor. Actualmente, los robots funcionan muy bien en entornos controlados (con hasta un 100% de éxito en tareas entrenadas), pero su rendimiento cae en picado ante situaciones nuevas.
Wang Xingxing, founder of Unitree, identifies the lack of generalization as the greatest obstacle for the industry. A self-evolving system could help robots adapt more quickly to changing environments and learn from accumulated experience. Wang has suggested that such advancements could serve as the catalyst for a "ChatGPT moment" in robotics. In his view, this milestone would be reached when a robot could enter an unfamiliar environment and complete 80% of everyday tasks based solely on verbal instructions. He estimates that this breakthrough could occur within 2 to 10 years.
Wang Xingxing, fundador de Unitree, identifica la falta de generalización como el mayor obstáculo para la industria. Un sistema de auto-evolución podría ayudar a los robots a adaptarse más rápido a entornos cambiantes y a aprender de la experiencia acumulada. Wang ha sugerido que este tipo de avances podrían ser el catalizador para el "momento ChatGPT" de la robótica. Su criterio es que este hito se alcanzaría cuando un robot pudiera entrar en un entorno desconocido y completar el 80% de las tareas cotidianas solo con instrucciones verbales. Sus estimaciones sitúan este avance en un plazo de 2 a 10 años.
Source
If the system works, the role of the robotics engineer would change. Instead of programming every movement, engineers would focus on defining high-level objectives, rules, and evaluation criteria—acting more like supervisors of an artificial intelligence system than as traditional programmers. However, despite this ambition, Unitree and the industry as a whole face significant challenges. The greatest technical challenge lies in aligning the inputs and outputs of the AI model with the physical world. Small errors in perception or execution—for instance, when calculating the force required to grasp an object—can accumulate and cause a task to fail.
Si el sistema funciona, el rol del ingeniero de robótica cambiaría. En lugar de programar cada movimiento, los ingenieros se centrarían en definir los objetivos de alto nivel, las reglas y los criterios de evaluación, actuando más como supervisores de un sistema de inteligencia artificial que como programadores tradicionales. Pero, a pesar de la ambición, Unitree y la industria en general enfrentan desafíos importantes. El mayor desafío técnico es alinear las entradas y salidas del modelo de IA con el mundo físico. Pequeños errores en la percepción o en la ejecución (por ejemplo, al calcular la fuerza para agarrar un objeto) se acumulan y hacen fracasar la tarea.
The idea of robots writing and executing their own code without human understanding has drawn comparisons to science fiction scenarios like The Matrix, reflecting an underlying concern regarding the loss of control and safety. In short, Unitree’s approach is bold and tackles some of the most challenging problems in contemporary robotics. For now, however, it remains a proof of concept. Its success will depend on whether they can bridge the gap between the digital world of AI and the unpredictable physical reality.
La idea de robots que escriben y ejecutan su propio código sin comprensión humana ha generado comparaciones con escenarios de ciencia ficción como The Matrix, reflejando una preocupación latente sobre la pérdida de control y la seguridad. En resumen, la apuesta de Unitree es audaz y ataca algunos de los problemas más difíciles de la robótica actual. Sin embargo, por ahora es una prueba de concepto. El éxito dependerá de si pueden cerrar la brecha entre el mundo digital de la IA y la impredecible realidad física.
More information/Más información
https://www.wiredterra.com/2026/10/23/the-race-between-china-and-the-us-for-humanoids-has-entered-another-phase-unitary-wants-its-robots-to-learn-to-improve-themselves/
Unitree Rehearsal is reshaping the field of robotics! By transforming AI into an "engineer" that designs, tests, and optimizes its own control software, Unitree is narrowing the sim-to-real gap. This closed-loop system reads research, writes code, simulates, and deploys to physical humanoids, so humans only need to oversee the loop. The era of robots that improve themselves has officially arrived!
0.00 SBD,
0.63 STEEM,
0.63 SP
Mirá, lo del bucle cerrado donde la IA se corrige sola me hace ruido: si el robot escribe su propio código y se evalúa a sí mismo, ¿quién garantiza que el criterio de "mejora" no se le vaya de las manos? Es así nomás, la supervisión humana que mencionan suena a poco si el tipo de error escala.
Lo del bucle cerrado donde la IA busca papers y escribe el código de control me parece genial, pero lo que realmente marca la diferencia es que pase por simulación antes de tocar el robot físico. ¿Ya se sabe qué tan bien funciona ese filtro cuando la realidad no coincide con el simulador?
Lo interesante de Unitree Rehearsal es el paso de simulación a hardware físico; ahí es donde el ciclo se rompe en la mayoría de los proyectos porque el mundo real no perdona. ¿El paper de la BBC menciona qué tasa de éxito tienen esos despliegues antes de que un ingeniero humano tenga que intervenir?
Lo de buscar papers y código open source para escribir el control ya lo hacen mil devs con Copilot, la diferencia es el loop de simulación a robot físico sin humano en medio. Me pregunto cuántas iteraciones aguanta antes de que el agente empiece a optimizar para la sim y no para el mundo real, tipo reward hacking pero con hardware.
Lo que llama la atención es que el bucle todavía deja al humano en la evaluación, no lo saca del todo. En mi experiencia, cuando algo aprende de sus propios errores sin un criterio externo firme, termina repitiendo el error más rápido. La pregunta sería quién define qué se considera "exitoso" en ese ciclo.