Tampilkan postingan dengan label Robotika. Tampilkan semua postingan
Tampilkan postingan dengan label Robotika. Tampilkan semua postingan

Selasa, 10 November 2026

Amazon Ring Luncurkan Ring Robotics: Drone AI Indoor dan Robot Patroli Bisnis dengan Sistem AI Pilot

Amazon melalui merek Ring memasuki era robotika keamanan dengan meluncurkan dua perangkat otonom: Ring Drone Cam, drone kamera indoor yang terbang dari ruangan ke ruangan, dan Ring Rover Cam, robot beroda untuk memantau kantor, gudang, dan ruang kerja. Keduanya digerakkan oleh sistem AI proprietary bernama AI Pilot yang memetakan ruang dan menavigasi sendiri. 🔗 Amazon

Dua Perangkat, Satu Sistem AI

Pada Selasa, 10 November 2026, Ring memperkenalkan sub-merek baru, Ring Robotics, dengan dua produk pertama. Ring menyebutnya sebagai "kategori baru keamanan otonom dan bergerak" — perangkat yang berpatroli, menyelidiki, dan merespons secara otomatis. 🔗 Amazon

Ring Drone Cam adalah kamera keamanan terbang untuk dalam rumah yang memberikan visibilitas ke seluruh ruangan tanpa perlu memasang kamera di setiap sudut. Perangkat ini merupakan quadcopter mungil seberat 165 gram yang merekam video 2K dengan sudut pandang 148 derajat dan dapat berputar 360 derajat. 🔗 Engadget

Ketika alarm atau sensor pada jendela, pintu, dan perangkat keamanan rumah terpicu, drone ini akan terbang mengikuti jalur yang telah ditetapkan untuk menyelidiki aktivitas mencurigakan. Pengguna juga dapat menerbangkannya kapan saja sesuai jadwal atau sesuai permintaan. 🔗 Amazon

Ring Rover Cam, di sisi lain, merupakan robot patroli yang dirancang khusus untuk bisnis. Perangkat ini berakar dari Amazon Astro, robot rumah tangga yang diperkenalkan pada 2021, dan dikembangkan dari masukan pelanggan Astro yang paling menyukai fitur keamanan keliling. Rover Cam dilengkapi kamera periskop yang dapat diperpanjang, sirene bawaan, audio dua arah, dan lampu menara, serta merekam video hingga 4K. 🔗 Amazon

AI Pilot: Otak di Balik Navigasi Otonom

Kedua perangkat dijalankan oleh sistem AI proprietary bernama AI Pilot. Menurut Ring, sistem ini memanfaatkan model visi khusus, sensor di perangkat, dan pemrosesan cloud untuk "melihat, berpikir, dan bernavigasi secara otonom". 🔗 Amazon

Dengan perangkat lunak tersebut, drone dan robot dirancang untuk menyusun denah rinci sebuah rumah atau kantor hanya dengan menjelajahi ruangan sendiri. AI Pilot juga menyarankan titik patroli yang layak mendapat perhatian ekstra, misalnya pintu samping, jendela, atau lorong panjang. 🔗 Amazon

Ring Drone Cam dapat terbang sekitar delapan hingga sepuluh menit dalam sekali pengisian sebelum kembali otomatis ke docking pengisi daya. Perangkat ini memiliki baling-baling yang terlindungi dan dua lampu LED yang menyala otomatis dalam kondisi minim cahaya. Pendiri Ring, Jamie Siminoff, menyebut drone ini dapat berfungsi sebagai alat pemantau rumah sekaligus penangkal kejahatan karena kehadirannya yang terlihat dan terdengar. 🔗 Engadget

Konsep drone keamanan indoor ini sebenarnya bukan hal baru bagi Ring. Perusahaan pernah memperkenalkan Always Home Cam pada 2020 dengan harga yang sama, 249,99 dolar AS, tetapi perangkat itu hanya sempat dijual terbatas lewat undangan dan tidak pernah diluncurkan secara luas. 🔗 GeekWire

Harga, Jadwal Rilis, dan Batasan

Ring Drone Cam dibanderol 249,99 dolar AS dan mulai dikirim di Amerika Serikat pada 27 Januari 2027. Namun perangkat ini belum mengantongi otorisasi dari Federal Communications Commission (FCC), sehingga belum boleh ditawarkan untuk dijual sampai izin itu diperoleh. Untuk saat ini Ring baru membuka pendaftaran email bagi yang berminat. 🔗 Amazon

Ring Rover Cam dijual 999,99 dolar AS dan mulai dikirim pada 16 Desember 2026, dengan pre-order yang sudah dibuka. Harga ini kurang dari separuh harga Astro for Business, robot keamanan pendahulunya yang dibanderol 2.350 dolar AS dan dihentikan pada 2024. 🔗 GeekWire

Drone ini dirancang khusus untuk penggunaan di dalam ruangan dan tidak akan keluar rumah, karena navigasinya bergantung pada jaringan Wi-Fi dan peta rumah yang dibuat lewat Alexa Home Map. Jadwal penerbangan dan patroli terjadwal, serta peninjauan rekaman video Rover Cam, memerlukan langganan Ring Protect. 🔗 GeekWire

Privasi dan Kontroversi

Ring menegaskan privasi sebagai "mode default" bagi kedua perangkat. Drone akan mati di docking dengan kamera nonaktif sampai ada penerbangan yang dipicu, sementara Rover Cam memiliki Sleep Mode yang menarik periskop dan mematikan mikrofon dalam sekali ketukan. Kedua perangkat dilengkapi indikator LED yang menyala saat merekam. 🔗 Amazon

Video dari kedua perangkat dilindungi enkripsi Throw Away the Key (TAKE), yang disebut Ring sebagai enkripsi default terkuatnya. Namun peluncuran ini kembali menyorot isu privasi yang melekat pada Ring. 🔗 Amazon

Merek ini sebelumnya menuai kritik karena kemitraan dengan kepolisian, dan awal tahun ini kembali disorot terkait iklan Super Bowl untuk alat pencari hewan peliharaan berbasis AI bernama Search Party. Ring dan Flock Safety kemudian membatalkan rencana integrasi mereka pada 12 Februari 2026, sebelum integrasi itu sempat beroperasi dan tanpa ada video pelanggan yang dibagikan. 🔗 Consumer Rights Wiki

Fakta Kunci

  • Produk: Ring Drone Cam (drone kamera indoor) dan Ring Rover Cam (robot patroli bisnis), dua produk pertama Ring Robotics.
  • Harga: 249,99 dolar AS (drone) dan 999,99 dolar AS (robot).
  • Sistem AI: AI Pilot (model visi khusus, sensor di perangkat, pemrosesan cloud) untuk navigasi otonom.
  • Drone: video 2K, sudut pandang 148 derajat, berat 165 gram, waktu terbang sekitar 8–10 menit per pengisian.
  • Pengiriman: Rover Cam 16 Desember 2026 (pre-order dibuka); Drone Cam 27 Januari 2027 (menunggu otorisasi FCC).
  • Drone dirancang khusus untuk indoor; jadwal patroli dan peninjauan rekaman memerlukan langganan Ring Protect.
  • Ring adalah anak perusahaan Amazon sejak akuisisi pada 2018.

Sumber

Read More
Diposting oleh di Tidak ada komentar:
Label: , , ,

Senin, 09 November 2026

Nvidia Perkenalkan GR00T 2: Model Robot 2 Miliar Parameter yang Belajar dari 402.730 Jam Video Manusia

Nvidia memperkenalkan GR00T 2, model aksi dunia (world action model) terbuka untuk robot, pada Konferensi Pembelajaran Robot (CoRL) di Austin, 9 November 2026. Model ini dilatih dari gabungan video manusia, demonstrasi gripper genggam, dan teleoperasi robot, sehingga robot dapat mempelajari keterampilan manipulasi halus tanpa harus merekam setiap gerakan dari awal. 🔗 Blog Nvidia

GR00T 2 menandai pergeseran dari model yang hanya meniru demonstrasi robot, menuju model yang memahami dinamika fisik dari pengamatan manusia. Pendekatan ini menjawab masalah lama robotika: data teleoperasi yang mahal, lambat, dan terbatas jumlahnya.

Arsitektur dan Cara Kerja

GR00T 2 adalah transformer 2 miliar parameter yang dibangun di atas Cosmos-Predict2.5-2B. Model ini menerima tiga masukan: tampilan kamera terbaru, status robot, dan instruksi tertulis. Dari masukan tersebut, ia menghasilkan perkiraan tampilan masa depan sekaligus urutan aksi berikutnya. 🔗 Unite.AI

Satu checkpoint pralatih mencakup lengan gripper paralel, tangan dexterous, dan robot humanoid, sehingga keterampilan dapat ditransfer antar bentuk tubuh (cross-embodiment). Dalam operasi jangka panjang, GR00T 2 memakai agen penalaran untuk menyusun keterampilan, memantau kemajuan, dan memanggil rutin pemulihan ketika bagian terjatuh atau pekerjaan macet, sementara model menangani manipulasi kaya kontak.

Data Pelatihan

Pralatih GR00T 2 menggabungkan tiga sumber data berskala besar. 🔗 Unite.AI

  • 402.730 jam video orang pertama manusia
  • 10.184 jam demonstrasi gripper genggam pada 2.897 tugas
  • 23.500 jam teleoperasi robot

Rilis Human-1M-100K membuka 100.000 jam dari data manusia tersebut, termasuk video, anotasi bahasa, serta data gerakan kepala dan tangan, di bawah lisensi CC BY 4.0 yang mengizinkan penggunaan komersial dan nonkomersial. 🔗 Unite.AI

Hasil Uji

Pada evaluasi Dexter, GR00T 2 menyelesaikan setidaknya satu percobaan pada 40 dari 50 tugas yang dievaluasi, tanpa demonstrasi khusus tugas. Rata-rata keberhasilan mencapai 71% dengan satu demonstrasi per tugas dan 95% dengan lima demonstrasi. Lima demonstrasi tersebut menyediakan kurang dari tiga menit data robot per tugas, diikuti fine-tune adapter sekitar 30 menit pada satu RTX 5090. 🔗 Blog Nvidia

Uji cross-embodiment menunjukkan 65% keberhasilan untuk penyiapan kertas saring yang dipelajari dari demonstrasi manusia tanpa teleoperasi khusus tugas, dan 60% untuk perakitan truk mainan yang ditransfer dari gripper genggam ke lengan YAM. 🔗 Unite.AI

Dengan data korektif dan agen penalaran, Nvidia melaporkan 98 perakitan pesawat mainan, 97 traktor mainan, dan 97 Hot Wheels berhasil dari 100 percobaan per mainan, masing-masing dimulai dari bagian yang ditumpahkan secara acak. Pelatihan terawasi saja menghasilkan 69, 51, dan 23. 🔗 Unite.AI

Angka-angka ini perlu dibaca dengan catatan dari white paper teknisnya: tugas yang dievaluasi dipilih di antara yang dapat dipelajari model dengan lima episode pada tingkat keberhasilan minimal 80%, sehingga rata-rata itu tinggi sebagian karena konstruksi. Secara terpisah, white paper melaporkan sekitar 70% rata-rata keberhasilan pada benchmark pasca-pelatihan jangka panjang. Pada penyortiran sampah dengan panduan visual, robot menunggu agen selama median 38% dari satu episode, memperlihatkan biaya latensi pengawasan agen. 🔗 Unite.AI

Simulasi dan AlphaNIST

Fondasi simulasi adalah Isaac Lab 3.0, tersedia umum sejak 20 Oktober 2026. Ia menyediakan satu API tugas lintas backend fisika, rendering, dan visualisasi; Newton mendukung benda kaku, deformable, dan partikel, dan banyak alur kerja dapat berjalan tanpa instalasi Isaac Sim penuh. Nvidia melaporkan hingga 2,5 kali throughput pelatihan dibanding Isaac Lab 2.3 dengan PhysX. 🔗 Blog Nvidia

AlphaNIST menerapkan latihan simulasi berskala besar pada 20 tugas perakitan NIST, termasuk bagian sekecil 4 milimeter. Satu kebijakan bersama dilatih hanya dengan reward sukses ya-tidak. Nvidia melaporkan 98,2% keberhasilan pelatihan untuk kebijakan tersebut, dibanding 81,4% untuk kebijakan terpisah per tugas, dengan sekitar 39 kali lebih sedikit waktu GPU; ini adalah hasil pelatihan simulasi. 🔗 Blog Nvidia

Benchmark dan Agen

Isaac Lab-Arena menyediakan lapisan evaluasi dengan framework open-source yang membangun evaluasi berulang dari komponen modular dan menjalankannya di lingkungan simulasi terakselerasi GPU. DexBench v1.0 berisi 15 tugas lintas ritel, logistik, lini perakitan, dan hotel F&B. VABAR mencakup penyortiran dan penggantungan alat, pengasahan roda gigi, pengepakan spuit, serta penyisipan dan perutean kabel, didukung pustaka 33 keterampilan. 🔗 Blog Nvidia

Graph-as-Policy dari UC Berkeley menggunakan banyak agen untuk menyusun grafik terarah keterampilan robot yang dapat ditafsirkan, berlatih di simulasi, dan merevisi struktur serta parameter setelah kegagalan; sepuluh iterasi latihan meningkatkan hasil Make Popcorn dari 33% menjadi 94% di simulasi dan 90% pada robot nyata. 🔗 Blog Nvidia

Pengguna Industri

Nvidia menyebut Nexuni menguji GR00T 2 untuk penanganan cucian, Foxconn menerapkannya pada otomasi manufaktur server, dan Siemens mengevaluasi kasus penggunaan industri. Yang diumumkan adalah pengujian dan evaluasi; belum ada peluncuran produksi. 🔗 Blog Nvidia

Catatan Kritis

Meski Nvidia menyebut model sebagai terbuka, halaman risetnya menyatakan kode akan tersedia pada Desember 2026. Kesenjangan antara klaim "terbuka" dan ketersediaan kode menuntut kehati-hatian bagi pengembang yang ingin membangun di atasnya. Selain itu, keberhasilan tinggi pada lima demonstrasi sebagian merupakan hasil seleksi tugas, dan biaya per-tugas (fine-tune 30 menit) serta latensi pengawasan agen masih menjadi tantangan deployment. 🔗 Unite.AI

Fakta Kunci

  • Diperkenalkan 9 November 2026 di CoRL, Austin.
  • Transformer 2 miliar parameter berbasis Cosmos-Predict2.5-2B.
  • Pralatih: 402.730 jam video manusia, 10.184 jam demonstrasi gripper, 23.500 jam teleoperasi robot.
  • Human-1M-100K: 100.000 jam data manusia, lisensi CC BY 4.0.
  • 40 dari 50 tugas selesai setidaknya sekali tanpa demonstrasi; 95% dengan lima demonstrasi.
  • Kode model baru tersedia Desember 2026.
  • Pengguna uji: Foxconn, Siemens, Nexuni (belum produksi).

Sumber

Read More
Diposting oleh di Tidak ada komentar:
Label: ,

Minggu, 08 November 2026

Apple Rilis HALO: Sistem Kontrol Humanoid yang Belajar dari Simulasi dan Berhasil 91% di Lingkungan Nyata yang Belum Pernah Dipetakan

Tim peneliti Apple mempublikasikan preprint di arXiv yang merinci HALO, sistem otonomi humanoid yang seluruh kebijakannya dilatih di simulasi lalu ditransfer secara zero-shot ke dunia fisik. Sistem ini diuji pada robot humanoid Unitree G1 dengan inferensi di Mac mini onboard dan meraih rata-rata keberhasilan 91% pada 360 percobaan tugas tunggal di enam lingkungan nyata yang sebelumnya tidak dipetakan. 🔗 arXiv

Latar Belakang

Pengembangan robot humanoid yang mampu bergerak andal di lingkungan manusia yang berantakan dan tidak terstruktur tetap menjadi salah satu tantangan terbesar robotika. Kebanyakan sistem yang ada membutuhkan pemetaan lingkungan terlebih dahulu atau dilatih pada data dunia nyata yang mahal dikumpulkan.

Apple, melalui tim penelitiannya, mengajukan pendekatan berbeda: melatih seluruh kebijakan gerak di simulasi, lalu mentransfernya ke dunia fisik tanpa pernah melihat ruangan target selama pelatihan. Hasilnya dirangkum dalam makalah berjudul "Perceptive Humanoid Motion from Simulation" yang diunggah ke arXiv pada 4 November 2026. 🔗 arXiv

Masalah yang disasar HALO adalah kemacetan data. Memetakan citra kamera dan perintah bahasa ke perintah sendi membutuhkan data pengawasan berpasangan, dan mengumpulkannya lewat teleoperasi memakan waktu: menurut makalah, satu jam data membutuhkan setidaknya satu jam waktu manusia. HALO justru mensintesis datanya sendiri, menghasilkan sekitar 300 jam episode di 1.000 rumah yang dibuat secara prosedural, sehingga volume data tumbuh seiring daya komputasi, bukan tenaga manusia. 🔗 The Robot Daily

Arsitektur Tiga Lapis HALO

HALO — singkatan dari "Humanoid Autonomy, Learned in simulation, running Onboard" — dirancang sebagai tumpukan tiga tingkat yang bekerja berurutan. 🔗 arXiv

  • Orkestrator VLM (Vision-Language Model): memahami perintah dan tugas tingkat tinggi, lalu memecahnya menjadi urutan subtugas berdasarkan konteks visual lingkungan sekitar. Orkestrator ini berjalan sekitar 0,5 Hz.
  • Generator gerak DiT (Diffusion Transformer): menghasilkan rencana gerak seluruh tubuh selama 5 detik berdasarkan subtugas dan citra egosentris dari kamera robot, dengan laju sekitar 3 Hz.
  • Kebijakan pelacakan 50 Hz berbasis penguatan (reinforcement learning): mengeksekusi rencana gerak pada frekuensi tinggi dan menyesuaikan postur serta keseimbangan secara real time menggunakan depth onboard dan propriosepsi.

Seluruh pipeline dijalankan pada robot Unitree G1 dengan Mac mini M4 Pro (64 GB) sebagai komputer inferensi onboard, sehingga sistem dapat beroperasi secara mandiri tanpa koneksi ke pusat data. 🔗 arXiv

Hasil Uji di Dunia Nyata

Evaluasi dilakukan di enam lingkungan rumah tangga yang benar-benar baru bagi sistem, tanpa pemetaan atau pemindaian sebelumnya. Setiap keterampilan diuji 10 kali di masing-masing lingkungan. Rincian hasil per tugas di dunia nyata: 🔗 The Robot Daily

  • Merunduk (crouch): 100%
  • Melangkah menyamping melewati pintu setengah terbuka: 93%
  • Berjalan menuju objek yang disebut: 92%
  • Merangkak di bawah meja: 90%
  • Mendorong kotak: 88%
  • Duduk di kursi: 85%
  • Rata-rata keseluruhan: 91% dari 360 percobaan

Untuk tugas komposit jangka panjang — rangkaian beberapa keterampilan dalam satu perintah — rata-rata keberhasilannya turun menjadi sekitar 70%. Hal ini memperlihatkan bahwa merangkai tugas multi-langkah masih menjadi tantangan utama, antara lain karena pose akhir satu subtugas bisa membuat target subtugas berikutnya keluar dari pandangan kamera. 🔗 arXiv

Skala komputasi di balik sistem ini juga besar: data pelatihan utama disintesis sekitar 48 jam pada 250 GPU Nvidia H100, sementara generator gerak dilatih pada 64 GPU B200. Kode generasi data, pelatihan, dan deployment dibuka sebagai open source. 🔗 arXiv

Mengapa Ini Penting

Keberhasilan transfer zero-shot dari simulasi ke dunia nyata pada tingkat 91% menunjukkan bahwa pendekatan berbasis simulasi berskala besar dapat mengurangi ketergantungan pada data dunia nyata yang mahal. Namun, penurunan performa pada tugas jangka panjang memperlihatkan bahwa komposisi tugas multi-langkah masih menjadi pekerjaan rumah.

Langkah open-sourcing kode juga berpotensi mempercepat riset robotika humanoid di akademik dan industri, meskipun Apple sendiri belum mengumumkan produk komersial berbasis HALO — ini adalah riset, bukan robot untuk dijual. 🔗 The Robot Daily

Sumber

  • Siyuan Hu dkk., "Perceptive Humanoid Motion from Simulation", arXiv:2611.06908, 4 November 2026. 🔗 arXiv
  • The Robot Daily, "Apple's HALO Trains a Humanoid in 1,000 Fake Homes — Then It Works in Real Ones", 7 November 2026. 🔗 The Robot Daily
  • Halaman proyek HALO, Apple AIML Research. 🔗 Apple AIML Research
Read More
Diposting oleh di Tidak ada komentar:
Label: ,

Kamis, 05 November 2026

T-Rex: AI Manipulasi Robot dengan Sentuhan Ujung Jari Mencapai Kinerja Rekor

Panasonic Holdings dan Panasonic R&D Company of America bersama peneliti dari University of California, Berkeley, NVIDIA, Stanford University, Sapienza University of Rome, dan ItalAI memperkenalkan T-Rex (Tactile-Reactive Dexterous Manipulation), AI manipulasi robot yang mampu melakukan tugas bimanual dengan cekatan sambil merespons sentuhan ujung jari secara instan.

Pengumuman ini disampaikan Panasonic pada 5 November 2026, dan hasilnya akan dipresentasikan di Conference on Robot Learning (CoRL) di Austin, Amerika Serikat, pada 9–12 November 2026. Makalah T-Rex sendiri sudah ada di arXiv sejak Juni 2026. 🔗 Panasonic

Kenapa Sentuhan Selama Ini Sulit bagi Robot

Manusia menyesuaikan gerakan secara instan berdasarkan gaya, selip, dan deformasi yang dirasakan ujung jari, misalnya saat menarik kartu tipis atau memutar kunci. Model Vision-Language-Action (VLA) konvensional umumnya hanya mengandalkan kamera, dan kalaupun memakai data taktil, sering memperlakukannya sebagai masukan statis.

Akibatnya, robot kesulitan menangani tugas yang butuh pengaturan gaya halus atau respons terhadap kondisi kontak yang berubah. Tantangan lain adalah langkanya data pelatihan berskala besar yang memuat informasi taktil, serta kesenjangan antara laju pembaruan model visi-bahasa yang rendah dan frekuensi kontrol tinggi yang dibutuhkan respons taktil yang cepat. 🔗 Panasonic

Dua Jam yang Berjalan Bersamaan

T-Rex menggabungkan pembangkitan aksi berbasis visi dan bahasa berfrekuensi rendah dengan koreksi aksi berkecepatan tinggi yang didorong umpan balik taktil dari ujung jari, dalam satu model. Modul pembangkitan gerakan memproses visi dan bahasa untuk menghasilkan gerakan keseluruhan pada sekitar 5 Hz, sedangkan modul koreksi aksi menangkap kondisi kontak secara real time pada sekitar 20 Hz dan mengoreksi aksi secara halus.

Dengan cara ini robot bisa merespons selip atau tekanan berlebih selama kontak tanpa harus menjalankan ulang pengenalan gambar berlatensi tinggi setiap kali. Arsitekturnya, yang disebut variable-rate Mixture-of-Transformer (MoT), membagi kendali ke tiga expert: expert laten yang memprediksi representasi visual masa depan, expert aksi yang merencanakan gerakan kasar, dan expert taktil yang menambahkan koreksi residual berfrekuensi tinggi. 🔗 Halaman proyek T-Rex

Untuk menerjemahkan sinyal sentuhan, T-Rex memakai encoder temporal tactile VQ-VAE yang memampatkan gaya dan pola kontak berfrekuensi tinggi menjadi token-token yang ringkas dan tahan terhadap drift. 🔗 Halaman proyek T-Rex

Data dan Pelatihan

Tim riset mengumpulkan lebih dari 7.700 episode data manipulasi robot bimanual — total 100 jam — dengan menggabungkan lebih dari 200 jenis objek sehari-hari dan 22 jenis aksi dasar. Setiap episode merekam secara sinkron video dari kamera kepala dan pergelangan tangan, state dan aksi robot, informasi gaya dan deformasi dari sensor taktil pada 10 ujung jari, serta instruksi bahasa alami. 🔗 Panasonic

Pelatihannya berlangsung tiga tahap. Pertama, T-Rex mempelajari pengetahuan visual dan gerak yang luas dari 22.889 jam video egosentris manusia. Kemudian ia mempelajari perilaku kaya kontak khusus robot dari data beranotasi taktil, dan terakhir di-fine-tune dengan sekitar 100 demonstrasi per tugas.

Sekitar 50 jam dari dataset tersebut dibuka sebagai open source, sehingga komunitas riset bisa membangun di atasnya. 🔗 Halaman proyek T-Rex

Hasil Evaluasi: 65 Persen, Unggul 30 Poin

Dalam evaluasi pada 12 tugas dunia nyata yang kaya kontak — termasuk membalik halaman, memindahkan telur, mengoleskan pasta gigi, membuka kunci, menarik kartu, dan memasang bohlam lampu — T-Rex mencapai tingkat keberhasilan rata-rata 65 persen. Angka itu jauh melampaui 35 persen yang dicapai baseline dengan performa terbaik sebelumnya, EgoScale, dan lebih dari 20 kali lipat baseline terlemah. 🔗 Panasonic

Tanpa informasi taktil, tingkat keberhasilan rata-rata turun menjadi hanya 42 persen. Penurunan ini mengonfirmasi efektivitas penginderaan taktil dan mekanisme reaktif berkecepatan tinggi yang dibawa T-Rex.

Setiap tugas dievaluasi melalui 16 percobaan acak, dengan rubrik progres untuk tugas multi-tahap, dan T-Rex menjadi metode teratas di seluruh 12 tugas. 🔗 Halaman proyek T-Rex

Fakta Kunci

  • Model: Tactile-Reactive Dexterous Manipulation (T-Rex), arsitektur variable-rate Mixture-of-Transformer (MoT) dengan encoder temporal tactile VQ-VAE.
  • Keberhasilan: rata-rata 65% pada 12 tugas kaya kontak, vs 35% baseline terbaik (EgoScale); turun ke 42% tanpa taktil.
  • Data: 100 jam (7.700+ episode) dari 200+ objek dan 22 primitif motor; sekitar 50 jam dibuka sebagai open source.
  • Pelatihan: pre-training 22.889 jam video egosentris manusia; mid-training data taktil; fine-tune sekitar 100 demonstrasi per tugas.
  • Arsitektur: tiga expert — laten, aksi, dan taktil — digabungkan lewat asynchronous cascaded flow matching; modul gerak sekitar 5 Hz, modul koreksi taktil sekitar 20 Hz.
  • Robot: robot bimanual dexterous 58-DoF; evaluasi 16 percobaan acak per tugas.
  • Presentasi: Conference on Robot Learning (CoRL), Austin, AS, 9–12 November 2026.
  • Kolaborator: UC Berkeley, NVIDIA, Stanford, Panasonic R&D Company of America, Sapienza University of Rome, dan ItalAI.

Dampak dan Arah Selanjutnya

Para peneliti menyatakan tujuan ke depan adalah memanfaatkan teknologi ini agar robot dapat membantu tugas-tugas yang memerlukan kontrol gaya halus dan penyesuaian berdasarkan kondisi kontak. Contohnya memasang, melepas, dan mengencangkan komponen dalam manufaktur, serta menangani barang lunak atau rapuh dalam logistik.

Harapannya, teknologi ini mengurangi beban pekerja lini depan dan membantu mengatasi kekurangan tenaga kerja. Dataset T-Rex dibuka sebagai open source, sehingga komunitas riset dapat membangun di atas fondasi ini. 🔗 Panasonic

Sumber

  • Panasonic Holdings Corporation, “Panasonic HD Co-Develops a Robot Manipulation AI That Performs Dexterous Bimanual Tasks by Reacting Instantly to Fingertip Touch,” 5 November 2026 — news.panasonic.com
  • Dantong Niu dkk., “T-Rex: Tactile-Reactive Dexterous Manipulation,” arXiv:2606.17055 — arxiv.org
  • Halaman proyek T-Rex — tactile-reactive-dexterous.github.io
Read More
Diposting oleh di Tidak ada komentar:
Label: ,
Langganan: Postingan (Atom)
Powered By Blogger · Designed By Adzim Developer