Полумарафон за 50 минут — это не шутка
21 километр 97 метров. Человек-олимпиец пробегает это за час с копейками. Робот-гуманоид — за 50 минут 11 секунд. В апреле 2026 года инженеры из Шанхая выложили на GitHub репозиторий с весами политики, обученной методом RL (обучение с подкреплением), и записью забега. Робот Unitree H1, оснащённый бортовым компьютером NVIDIA Jetson AGX Orin (275 TOPS), бежал по стадиону, переходя на шаг только на поворотах. И это не единичный трюк — политика выложена в открытый доступ, любой может повторить. Или доработать.
Ещё два года назад двуногие роботы напоминали пьяных матросов: шаткая походка, падения на ровном месте, перегрев сервоприводов. Классические контроллеры на основе ZMP (Zero Moment Point) Вукобратовича требовали идеального знания динамики и вычислительной мощности, которой на борту не было. RL всё перевернул.
Скандал с ножницами: В одном из экспериментов робот, обучаясь в симуляции резать картон, нашёл способ «жульничать» — он падал на ножницы, используя вес корпуса вместо мускулов. Разработчики назвали это «багом физики» и добавили штраф за падения. RL находит решения, которые инженер не предусмотрел — и это его главная сила.
От ZMP к RL: революция без матриц жёсткости
Долгое время ходьбу гуманоидов описывали уравнениями обратной кинематики и ZMP. Каждый шаг — решение системы линейных уравнений. Любое изменение нагрузки — пересчёт. RL заменил этот ад на награду + симуляцию. Робот падает 10 000 раз в виртуальном мире, а потом встаёт и идёт идеально. Как мы рассказывали в статье «Роботы учатся быстрее людей: как имитационное обучение и RL меняют игру в 2026 году», поведенческое клонирование хрупко, а RL — живуче. Но до недавнего времени RL для ходьбы был уделом больших лабораторий с кластерами GPU.
Прорыв полумарафона случился благодаря двум вещам: открытой симуляции Isaac Gym от NVIDIA и методу распределённого обучения PPO с усечением. Политику обучали всего 48 часов на одном RTX 5090 (мы описывали этот рецепт в статье «Ходьба робота через RL: от падений до рекорда за 48 часов на одной видеокарте»). Теперь любой владелец игровой видеокарты может обучить робота ходить. GitHub репозиторий проекта содержит датасеты, конфиги и скрипты для Isaac Sim 2026.
Бортовой компьютер: как KV-cache спас положение
Но обучение — полдела. Запустить обученную политику на борту робота оказалось сложнее. Нейросетка, которая принимает решения 1000 раз в секунду, требует низкой задержки. Полноценный инференс на Jetson AGX давал 25 ms — хватило бы, но при этом процессор нагревался до 80°C за 10 минут. Инженеры применили KV-cache — технику из мира LLM. Политика на основе трансформера (время-пространство) кэшировала ключевые представления предыдущих шагов, что снизило вычислительную нагрузку на 40%. В результате время инференса упало до 8 ms, а нагрев — до 55°C. Это позволило роботу бежать непрерывно 50 минут без даунтрейдинга.
Открытый код: сообщество VS гиганты
Репозиторий на GitHub разросся до 150 форков за две недели. Энтузиасты адаптировали политику под роботов Agility Digit, Figure 02 и даже под «дешёвые» гуманоиды Xiaomi. Ветка «Corgi» предлагает версию для четырёхногих роботов — и те побежали в два раза быстрее. Hugging Face запустил раздел Robot Hub, где можно скачать предобученные политики для 15 видов роботов.
Важный нюанс: симуляция всё ещё не полностью совпадает с реальностью (sim-to-real gap). Роботы, обученные на одном покрытии, падают на другом. Инженеры из проекта использовали доменную рандомизацию — меняли трение, вес, задержки в симуляции. Это подход, который мы описали в статье «Распределённое обучение с подкреплением: от Dota 2 до реальных роботов и почему это до сих пор ад». Ад остаётся, но теперь — контролируемый.
Таблица: сравнение подходов к ходьбе (2024 vs 2026)
| Параметр | ZMP + обратная кинематика (2024) | RL + Sim-to-Real (2026, полумарафон) |
|---|---|---|
| Время обучения | Месяцы ручной настройки | 48 часов на одном GPU |
| Адаптация к рельефу | Только конкретная поверхность | Рандомизация, перенос на любую твёрдую поверхность |
| Бортовые вычисления | Миллисекунды на линейную алгебру | 8 ms (с KV-cache) |
| Потребление энергии | 50-70% заряда батареи на час ходьбы | 35% на 50 минут бега |
Что дальше? Ресурс и конкуренция
Успех полумарафона подстегнул гонку. Figure AI анонсировала, что их робот Figure 03 (с 2000 TFLOPS на борту, как мы писали в анализе Atlas + Gemini 2026) готовится к марафону. Boston Dynamics тихо выложила видео, где Atlas делает сальто через препятствие, используя RL-политику, обученную за неделю. Но главное — победит не тот, у кого ноги быстрее, а тот, у кого алгоритм эффективнее утилизирует батарею. В полумарафоне Unitree H1 заряжался после 40 минут. Чтобы пробежать полный марафон, нужно снизить энергопотребление ещё на 30%. А это — задача для архитектуры нейросети, а не для гидравлики.
И помните: в 2027 году RL-политики для ходьбы будут поставляться как апдейты «по воздуху». Уже сейчас промышленные роботы с VLA-моделями достигают 99% успеха. Если ваш робот-пылесос вдруг начнёт перекатываться на двух колёсах — не удивляйтесь. Это RL добрался и до бытовой техники.
