02/06/2026
https://www.facebook.com/share/p/1DCG8qyWVj/
**ก่อนหุ่นยนต์จะเต้นเป็น “หนุ่มหมัดเมา” 🕺🤖
มันเริ่มจากคำถามง่าย ๆ ว่า… เราจำเป็นต้อง Rig หุ่นยนต์จริงหรือ?**
ย้อนกลับไปปี 2023 มีงานวิจัยสาย animation/robotics ชิ้นหนึ่งที่ผมคิดว่าสำคัญมาก เพราะมันช่วยเปิดแนวคิดว่า
การทำให้ร่างกายหนึ่ง “เลียนแบบ” การเคลื่อนไหวของอีกร่างกายหนึ่ง อาจไม่จำเป็นต้องควบคุมทุกข้อต่อแบบละเอียดตั้งแต่ต้น
ในโลก animation เราคุ้นกับคำว่า **Rig** 🧩
คือการสร้างโครงควบคุมให้ตัวละครขยับได้
ในโลก robotics สิ่งที่คล้ายกันคือ **control model** ⚙️
โมเดลที่บอกว่าข้อต่อแต่ละตัวต้องขยับอย่างไร เพื่อให้หุ่นเดิน ยืน หรือทำท่าทางต่าง ๆ ได้
ปัญหาคือ หุ่นแต่ละตัวไม่เหมือนกัน
สัดส่วนไม่เท่ากัน
ความยาวแขนขาไม่เท่ากัน
ตำแหน่งข้อต่อไม่เหมือนกัน
แรงบิด มวล และ inertia ก็ต่างกัน 🦾
ถ้าใช้วิธีคิดแบบเดิม เราต้องสร้าง control model เฉพาะตัวให้หุ่นแต่ละแบบ
เหมือนต้อง rig ใหม่ทุกครั้ง
แต่แนวคิดของ imitation learning เริ่มชี้ให้เห็นว่า
บางที “ท่าทางการเคลื่อนไหว” อาจไม่ได้จำเพาะขนาดนั้น
เราอาจไม่ต้องรู้ทุกมุมของทุกข้อต่อ
เราอาจต้องรู้แค่ “จุดสำคัญบางจุด” ของการเคลื่อนไหว 📍
เช่น หัวอยู่ตรงไหน
มือซ้ายอยู่ตรงไหน
มือขวาอยู่ตรงไหน
จังหวะของร่างกายเป็นอย่างไร
แล้วให้ระบบเรียนรู้ว่า
ถ้าร่างกายของตัวเองไม่เหมือนต้นแบบ
มันควรจะขยับอย่างไร เพื่อให้ “ความหมายของท่า” ยังเหมือนเดิม
นี่คือจุดที่น่าสนใจมาก
งานวิจัยที่ผมเอามาเล่าวันนี้ไม่ได้พยายามควบคุมทุก joint โดยตรง
เพราะถ้าสัดส่วนของร่างกายต่างกัน การบังคับทุกข้อต่อให้เหมือนกันเป๊ะ ๆ แทบเป็นไปไม่ได้
แต่งานนี้เลือกใช้ข้อมูลการเคลื่อนไหวจากจุดสำคัญ เช่น
**หัว และปลายแขนทั้งสองข้าง** 🧠✋✋
จากนั้นนำข้อมูลเหล่านี้เข้าไปสอนโมเดล reinforcement learning
ให้โมเดลเรียนรู้ผ่าน physics simulation ว่า
ร่างกายของมันเองควรขยับอย่างไร เพื่อสร้างการเคลื่อนไหวที่คล้ายกับต้นแบบ 🎮
พูดง่าย ๆ คือ
ก่อนจะเต้นตามคนอื่นได้
หุ่นต้อง “รู้จักร่างกายตัวเอง” ก่อน
มันต้องเรียนรู้ว่า
ข้อต่อของมันตอบสนองอย่างไร
แรงบิดเท่าไรถึงพอ
ล้มแล้วเกิดอะไรขึ้น
ทรงตัวอย่างไร
และถ้าจะทำท่าเดียวกับมนุษย์ มันต้องแปลงท่านั้นให้เข้ากับร่างกายตัวเองอย่างไร
นี่คือเหตุผลที่ imitation learning + reinforcement learning + physics simulation
กลายเป็นแนวทางสำคัญของหุ่นยนต์ยุคใหม่ 🚀
เราไม่ได้สั่งหุ่นว่า
“ข้อสะโพกหมุนกี่องศา ข้อเข่างอกี่องศา ข้อเท้าต้องอยู่ตรงไหน”
แต่เราสอนมันว่า
“นี่คือท่าที่ต้องการ ไปหาวิธีขยับร่างกายของตัวเองให้ทำท่านี้ให้ได้”
และเมื่อแนวคิดนี้ถูกย้ายจากโลก animation มาสู่โลก humanoid robot
มันก็กลายเป็นพื้นฐานของสิ่งที่เราเห็นในช่วงหลัง ๆ
หุ่นยนต์ตีลังกา
หุ่นยนต์เต้น
หุ่นยนต์ทำท่าทางซับซ้อน
หรือแม้แต่โชว์ที่เราเห็นในงานตรุษจีนปีนี้ 🧧
หลายอย่างไม่ได้เกิดจากการเขียน motion ทีละ joint แบบ manual
แต่เกิดจากแนวคิดว่า
**ให้หุ่นเรียนรู้การเคลื่อนไหวจากตัวอย่าง แล้วแปลงให้เข้ากับร่างกายของตัวเอง**
ดังนั้น ถ้าจะถามว่า
จีนล้ำหน้า หรืออเมริกาล้ำหน้า? 🌏
ผมคิดว่าคำตอบอาจไม่ตรงไปตรงมาขนาดนั้น
ในเชิงการนำเสนอ ใครเปิดตัวก่อน ใครโชว์ก่อน อาจดูเหมือนเป็นผู้ชนะ
แต่ในเชิงวิทยาศาสตร์ สิ่งเหล่านี้คือการพัฒนาร่วมกันของหลายวงการ
animation
robotics
reinforcement learning
simulation
control theory
และ hardware
ทุกอย่างค่อย ๆ ประกอบกัน จนกลายเป็นภาพที่เราเห็นวันนี้
ก่อนหุ่นยนต์จะเต้นเป็นหนุ่มหมัดเมา
มันไม่ได้เริ่มจากการเขียนท่าเต้นทีละข้อ
แต่มันเริ่มจากคำถามที่ลึกกว่านั้นมาก:
**ถ้าร่างกายไม่เหมือนกัน
เราจะทำให้มันเข้าใจ “ท่าเดียวกัน” ได้อย่างไร?** 🤖✨
Paper: https://arxiv.org/pdf/2307.01938
Video: https://www.youtube.com/watch?v=_AnovXOJOaw
