# ETH enseña a un humanoide a trepar con manos y rodillas Un Unitree G1 de ETH Zúrich sube escaleras de mano, trepa a plataformas y se recupera de caídas. Aprende dónde apoyar el cuerpo para superar cada obstáculo. - URL canónica: https://robotica.es/humanoides/eth-humanoide-trepa-manos-rodillas/ - Versión Markdown: https://robotica.es/humanoides/eth-humanoide-trepa-manos-rodillas.md - Publicado: 2026-10-27 - Última actualización editorial: 2026-10-27 - Autoría: Redacción Robotica.es - Categoría: Humanoides - Etiquetas: ETH Zúrich, Unitree G1, ACP, humanoides, locomoción, aprendizaje robótico - Idioma: es-ES Las rodillas de este humanoide sirven para algo más que doblar las piernas. Cuando encuentra una plataforma demasiado alta para dar un paso, apoya las manos, sube una rodilla y trepa. Investigadores del **Robotic Systems Lab de ETH Zúrich y sus colaboradores** han enseñado a un Unitree G1 a elegir qué partes del cuerpo utilizar para superar obstáculos, desde un borde de hormigón hasta una escalera de mano. La [galería de demostraciones del proyecto [en]](https://leggedrobotics.github.io/ACP/skills.html) reúne esas maniobras junto a otras más familiares: subir escalones, sentarse y levantarse. Todas utilizan un mismo sistema de control aprendido. El trabajo, titulado *Humanoid Mobility via Attention-based Contacts*, [se publicó en arXiv el 22 de octubre [en]](https://arxiv.org/abs/2610.31608) y está en revisión. ## Subir, cambiar de apoyo y seguir En el vídeo de la escalera, el robot se acerca a una estructura inclinada sobre cajas de madera y asciende utilizando brazos y piernas. Un cable de seguridad acompaña la prueba. En la escena exterior de la cabecera, las manos encuentran apoyo sobre el hormigón antes de que el cuerpo termine de pasar arriba. Los investigadores muestran también [recorridos que enlazan varias maniobras [en]](https://leggedrobotics.github.io/ACP/composite.html): subir por una escalera y bajar de un salto, o salvar una barrera y trepar al siguiente obstáculo. Coordinar esa transición evita tener que tratar cada movimiento como una exhibición aislada. La galería incluye los tropiezos. En los [ejemplos de recuperación [en]](https://leggedrobotics.github.io/ACP/robustness.html), el G1 vuelve a intentarlo cuando se atasca al subir y se levanta después de una caída. Otra secuencia identifica un fallo del mapa como causa del vuelco. Es material útil para entender tanto el comportamiento aprendido como sus puntos débiles. ## Aprender dónde apoyar el cuerpo El [sistema ACP [en]](https://leggedrobotics.github.io/ACP/) parte de **13,2 minutos de movimientos humanos**, combinados con entrenamiento por refuerzo: práctica en simulación que recompensa los comportamientos deseados. Esa duración corresponde a los ejemplos humanos, no al tiempo total necesario para entrenar al robot. Durante la ejecución, un planificador observa un mapa de alturas obtenido con LiDAR, el sensor láser, y decide los próximos apoyos de nueve partes del cuerpo: los dos pies, las rodillas, las manos, los codos y la pelvis. Otro controlador convierte esas decisiones en movimientos de las articulaciones. El robot recibe un objetivo y calcula los contactos; ya no necesita reproducir una grabación humana como referencia. Así, el [Unitree G1](https://robotica.es/robots/unitree-g1/) funciona como plataforma para investigar una movilidad que va más allá de caminar sobre dos pies. La geometría del obstáculo y el destino indicado condicionan cómo coloca el resto del cuerpo. El estudio compara además ocho recorridos virtuales y obtiene un 92,5 % de aciertos frente al 58,8 % del método de referencia. [Humanoids Daily subraya la distinción [en]](https://www.humanoidsdaily.com/news/eth-zurich-acp-humanoid-contact-planning): **son resultados de simulación, no una tasa de éxito medida en el robot físico**. La evaluación desactiva ruido sensorial, variaciones físicas y retrasos para aislar el efecto del terreno. El alcance sigue siendo el desplazamiento local hacia objetivos indicados. En algunos entornos, las rutas se guían con puntos intermedios definidos manualmente; la navegación global queda fuera del estudio. Las grabaciones permiten ver cómo estos [humanoides](https://robotica.es/humanoides/) pueden aprovechar un apoyo con la rodilla o las manos, sin acreditar todavía que sepan escoger y completar por sí solos una ruta por un edificio desconocido. ## Fuentes - [Equipo ACP — sistema de planificación de contactos y ejemplos humanos de entrenamiento [en]](https://leggedrobotics.github.io/ACP/) - [Equipo ACP — vídeos de habilidades individuales y repeticiones [en]](https://leggedrobotics.github.io/ACP/skills.html) - [Equipo ACP — recorridos combinados [en]](https://leggedrobotics.github.io/ACP/composite.html) - [Equipo ACP — fallos y recuperación en el robot físico [en]](https://leggedrobotics.github.io/ACP/robustness.html) - [He y colaboradores — estudio original, evaluación en simulación y límites de navegación, 22 de octubre [en]](https://arxiv.org/html/2610.31608v1) - [Humanoids Daily — diferencia entre las demostraciones físicas y las métricas virtuales, 25 de octubre [en]](https://www.humanoidsdaily.com/news/eth-zurich-acp-humanoid-contact-planning) - [Imagen: equipo ACP / Robotic Systems Lab de ETH Zúrich y colaboradores — fotograma del vídeo oficial de subida a una plataforma; recorte para cabecera [en]](https://leggedrobotics.github.io/ACP/static/videos/skills/stage.mp4)