Investigadores presentan Transformer Transformer, un modelo unificado que, a partir de una demostración de movimiento, genera un robot completo —con todos sus enlaces, articulaciones, motores e inercias— optimizado para esa tarea concreta. El sistema se entrena como modelo de dinámica y se apoya en RoboTokens, una tokenización común que representa distintas morfologías (brazos bimanuales, cuadrúpedos, humanoides, manos diestras) junto con sus estados y acciones. Una misma red de tipo diffusion transformer hace tres funciones: generar morfologías, validarlas como controlador y servir como controlador cross-embodiment, ajustando su estrategia de control al cuerpo que conduce sin reentrenar.
El verdadero interés del trabajo es el co-diseño motion-conditioned: dada una trayectoria del efector final y una función de recompensa, el modelo propone la mejor morfología posible. Mediante una técnica bautizada como Dynamics Self-Guidance, el propio modelo predice la dinámica del robot, evalúa la recompensa y usa ese gradiente para guiar el muestreo hacia diseños de mayor puntuación, sin necesidad de haber visto esa recompensa durante el entrenamiento.
Los autores fabricaron uno de los diseños generados para una tarea de lanzado de tela sobre la plataforma bimanual ALOHA y comprobaron que reducía el error de seguimiento un 73 % y la velocidad articular máxima un 30 % frente al robot original. El artículo también describe resultados en espacios de diseño cuadrúpedos, optimización de robots para el conjunto de trayectorias de un dataset de lavado de platos UMI y comparativas con líneas base aleatorias y con CMA-ES.