Agentic Robotics Berpeluang Pangkas Biaya dan Waktu Pemrograman Robot
Riset gabungan UC Berkeley dan NVIDIA membuktikan tim agen AI mampu memprogram, menguji, dan memperbaiki kode robot di dunia simulasi sebelum diterapkan ke industri nyata.
Foto: TechXplore (Dokumentasi editorial)
Poin penting
- Pendekatan baru agentic robotics memangkas kebutuhan data fisik masif lewat simulasi virtual mandiri.
- Model Astra dari OpenAI mempercepat pembuatan simulasi fisik tugas robot dalam waktu kurang dari satu jam.
- Ambi Robotics mencatat peningkatan kapasitas lebih dari 15.000 paket per tahun untuk setiap robot armadanya.
Mengembangkan robot untuk kebutuhan industri selama ini terkenal lambat, mahal, dan menuntut data fisik dalam jumlah masif. Namun terobosan baru berpeluang memangkas beban biaya serta rekayasa teknis tersebut secara drastis melalui simulasi mandiri.
Sebagaimana dilaporkan TechXplore, tim peneliti University of California, Berkeley bersama NVIDIA memperkenalkan metode bernama agentic robotics. Pendekatan ini memanfaatkan agen AI—perangkat lunak otonom yang mampu bernalar dan mengeksekusi instruksi mandiri—untuk menulis, menguji, dan merevisi kode kontrol robot di ruang simulasi.
Mengatasi Kesenjangan Data Fisik
Profesor rekayasa UC Berkeley Ken Goldberg dan Direktur Rekayasa Robotika NVIDIA Spencer Huang memaparkan terobosan ini di Conference on Robot Learning. Mereka merilis kode sumber terbuka berbasis platform simulasi NVIDIA Isaac, disertai tolok ukur standar evaluasi tugas industri.
"Alih-alih mengumpulkan data dalam jumlah masif dan menyetel setiap perilaku secara manual, tim agen dapat menghasilkan, menguji, serta menyempurnakan program robot secara cepat sambil tetap memungkinkan teknisi memahami cara kerjanya," kata Ken Goldberg.
Metode ini menggunakan kerangka Graph-as-Policy yang membagi tugas robot menjadi blok keahlian modular, seperti mencari objek atau memindahkan pencapit. AI kemudian menyusun blok tersebut dan menjalankan uji coba berulang kali di simulasi virtual guna mendeteksi kegagalan.
Kolaborasi tersebut juga melibatkan model Astra rilisan OpenAI. Dalam pengujian, AI mampu mereplikasi simulasi fisik dari video tugas membersihkan tinta hanya dalam kurun waktu kurang dari satu jam sebelum dieksekusi robot sungguhan.
Hasil Nyata di Lantai Logistik
Manfaat operasional pendekatan ini sudah dirasakan langsung oleh pelaku industri logistik. Perusahaan otomatisasi gudang Ambi Robotics telah menerapkan metode ini untuk memperbarui sistem pemilahan paket mereka.
Hasil uji coba menunjukkan penambahan kapasitas sortir lebih dari 15.000 paket per tahun untuk setiap robot. Pembaruan perilaku robot tersebut saat ini telah diimplementasikan pada 30 persen armada Ambi Robotics di Amerika Serikat.
Apa Artinya bagi Pelaku Usaha
Inovasi ini membuka peluang efisiensi besar bagi pemilik pabrik, operator pergudangan, dan perusahaan logistik di Indonesia. Hambatan adopsi robotika yang selama ini terganjal tingginya biaya pemrograman ulang dan keterbatasan data fisik mulai teratasi lewat simulasi.
Langkah mitigasi risiko terbaik adalah mulai mengevaluasi sistem otomasi yang mendukung arsitektur modular serta integrasi simulasi digital. Pelaku usaha disarankan melatih tim teknis internal untuk memahami verifikasi kode buatan agen AI, sehingga proses adaptasi lini produksi tetap terkendali dengan aman.
✓ Lolos pemeriksaan redaksi AI. (Klik untuk lihat hasil pemeriksaan fakta)
Artikel ini ditulis AI, 5 klaimnya dicocokkan dengan sumber, dan diuji keterbacaannya sebelum terbit. Menemukan kekeliruan? Laporkan ke redaksi.
- TechXplore: AI agents test and improve robot code in virtual worlds before deployment
| Klaim | Putusan | Dasar di sumber |
|---|---|---|
| Riset gabungan UC Berkeley dan NVIDIA memperkenalkan pendekatan agentic robotics yang memungkinkan tim agen AI memprogram, menguji, dan merevisi kode robot di lingkungan simulasi. | Didukung | “Goldberg, Spencer Huang, director of robotics engineering at NVIDIA, and a team of researchers call the new approach "agentic robotics."” TechXplore melaporkan kolaborasi Ken Goldberg dari UC Berkeley dan Spencer Huang dari NVIDIA mengenai agentic robotics. |
| Kode sumber terbuka berbasis kerangka simulasi NVIDIA Isaac dan tolok ukur standar industri dipresentasikan di Conference on Robot Learning. | Didukung | “built on NVIDIA's Isaac open simulation framework for developers, as well as an industry-standard benchmark for evaluating the performance of robots across industrial tasks.” TechXplore mengonfirmasi presentasi riset di Conference on Robot Learning serta rilis open-source berbasis NVIDIA Isaac. |
| Kerangka Graph-as-Policy membagi tugas robot menjadi blok keahlian modular, seperti mencari objek dan menggerakkan pencapit tanpa tabrakan. | Didukung | “Using a framework they call Graph-as-Policy, robot tasks are segmented into individual skills, such as finding an object, planning a grasp and moving the gripper without collisions.” TechXplore menjelaskan cara kerja Graph-as-Policy yang memecah tugas robot menjadi keterampilan-keterampilan individual. |
| Model Astra dari OpenAI mampu membuat dan menyempurnakan simulasi fisik tugas robot membersihkan tinta dalam waktu kurang dari satu jam. | Didukung | “In less than an hour, the AI tool created and fine-tuned a physics simulation that accurately reproduced the video, including very realistic deformations of the sponge.” TechXplore memaparkan eksperimen mahasiswa pascadoktoral dengan model Astra dari OpenAI. |
| Ambi Robotics mencatat peningkatan kapasitas sortir lebih dari 15.000 paket per tahun per robot dan telah menerapkannya pada 30 persen armadanya di AS. | Didukung | “Tests showed an increased capacity of over 15,000 packages sorted annually per robot; the change is now deployed across 30% of the company's U.S. fleet.” TechXplore mengutip data hasil pengujian dan implementasi pada armada Ambi Robotics di AS. |
Video AI terbaru
DeepSeek Harness (DSH) EXPLAINED | Everything Is a Plugin
