Robot Humanoid Kini Mampu Jalan dan Angkat Barang Tanpa Contoh Utuh
Riset Seoul National University hadirkan AI RISE untuk robot humanoid. Sistem ini memangkas biaya latihan dan tingkatkan keberhasilan tugas hingga 50 persen.
Foto: TechXplore (Dokumentasi editorial)
Poin penting
- AI RISE menggabungkan data jalan dan manipulasi objek yang dikumpulkan secara terpisah tanpa jeda.
- Tingkat keberhasilan robot nyata capai 50 persen, unggul 20 poin persentase dibanding model GR00T NVIDIA.
- Mengurangi biaya dan kerumitan pengumpulan data demonstrasi tugas multi-tahap di lantai produksi.
Melatih robot humanoid untuk berjalan lalu memindahkan barang selama ini membutuhkan biaya tinggi dan proses yang rumit. Kerusakan atau kegagalan kecil saat merekam demonstrasi tugas bertingkat sering kali membuat seluruh data latihan terbuang sia-sia.
Kini, tim peneliti Seoul National University berhasil memecahkan kendala tersebut lewat kerangka kerja AI bernama RISE (Responsibility-Induced Specialized Experts). Laporan yang dipublikasikan TechXplore mengungkapkan teknologi ini mampu menyatukan data gerak kaki dan tangan yang direkam secara terpisah.
Pemisahan Data Gerak Tingkatkan Efisiensi Pelatihan
RISE menggunakan pendekatan Vision-Language-Action (VLA), yaitu model AI yang menerjemahkan visual kamera dan instruksi teks menjadi tindakan fisik robot. Sistem ini menghubungkan persepsi visual bersama dengan beberapa modul ahli tindakan di bawah kendali meta-controller.
Selama fase pelatihan, sistem mengukur tingkat tanggung jawab tiap modul ahli dalam memprediksi tindakan fisik secara mandiri. Modul tersebut otomatis terbagi menjadi spesialis mobilitas dan spesialis manipulasi barang tanpa perlu instruksi manual.
"Robot humanoid harus mampu mempelajari perilaku dengan karakteristik berbeda secara andal dan beralih secara alami di lingkungan nyata," ujar Profesor Songhwai Oh dari Seoul National University.
Perubahan bobot modul ahli saat tugas berlangsung menjadi indikator alami untuk berpindah fase. Hasilnya, robot dapat langsung melanjutkan tugas sekuensial seperti berjalan, mengambil botol, lalu menaruhnya di meja tanpa memerlukan contoh runtutan utuh.
Uji coba pada robot fisik Unitree G1 dengan 43 derajat kebebasan gerak menunjukkan tingkat keberhasilan 50 persen pada tugas dua hingga lima tahap. Angka ini 20 poin persentase lebih unggul dibanding model dasar GR00T milik NVIDIA yang mencatat keberhasilan 30 persen.
Apa Artinya bagi Pelaku Usaha
Inovasi ini relevan bagi direktur operasional dan pemilik bisnis di sektor logistik, pergudangan, serta manufaktur perakitan. Terobosan ini menurunkan hambatan implementasi robot humanoid karena tim teknis tidak perlu lagi merekam skenario kerja yang panjang dan rawan gagal.
Pelaku usaha dapat mulai menginventarisasi alur kerja fisik di gudang menjadi tugas-tugas terisolasi, seperti pemindahan palet dan pemilahan suku cadang. Model modular ini mempercepat adaptasi perangkat keras terhadap tata letak fasilitas kerja yang dinamis tanpa membengkakkan anggaran riset.
Langkah mitigasi yang perlu disiapkan adalah menguji ketahanan robot pada skenario kegagalan parsial sebelum penerapan penuh. Pendekatan modular memungkinkan evaluasi berkala per modul gerak, sehingga mempermudah audit keselamatan kerja di lantai pabrik.
- TechXplore: Humanoid AI connects walking and object handling without demonstrations of complete task sequences
Lihat hasil pemeriksaan (9 klaim)
| Klaim | Putusan | Dasar di sumber |
|---|---|---|
| AI RISE memungkinkan robot humanoid menghubungkan kemampuan berjalan dan manipulasi objek tanpa membutuhkan demonstrasi rangkaian tugas secara utuh. | Didukung | “The team connected locomotion and object manipulation without requiring additional demonstrations of multistep tasks involving transitions between the two behaviors” Dinyatakan oleh TechXplore / Seoul National University di awal artikel. |
| Tim peneliti yang dipimpin Profesor Songhwai Oh di Seoul National University mengembangkan kerangka kerja AI RISE (Responsibility-Induced Specialized Experts). | Didukung | “A research team led by professor Songhwai Oh of the Department of Electrical and Computer Engineering at Seoul National University College of Engineering has developed RISE” Dinyatakan oleh TechXplore. |
| Pengumpulan demonstrasi tugas bertingkat membebani proses latihan karena kegagalan pada tahap peralihan dapat merusak seluruh data demonstrasi. | Didukung | “a failure at an intermediate stage can render the entire demonstration incomplete.” Disebutkan dalam bagian tantangan pengumpulan data di TechXplore. |
| RISE menggabungkan model persepsi visual-bahasa dengan beberapa pakar tindakan dan meta-controller. | Didukung | “RISE combines a shared visual-language perception model with multiple action experts and a meta-controller that coordinates them.” Dinyatakan dalam penjelasan arsitektur RISE di TechXplore. |
| Tanpa peran yang ditentukan sebelumnya, tiap pakar tindakan mengkhususkan diri secara alami pada lokomosi atau manipulasi objek. | Didukung | “As a result, without predefined roles, individual experts naturally specialize in locomotion or object manipulation.” Dijelaskan pada bagian mekanisme pelatihan RISE di TechXplore. |
| Perubahan bobot modul pakar yang dihasilkan meta-controller dijadikan sinyal transisi antar-tahap tugas. | Didukung | “The research team also used changes in the expert weights output by the meta-controller during execution as signals for task transitions.” Dinyatakan dalam penjelasan cara transisi tugas di TechXplore. |
| Robot Unitree G1 yang digunakan dalam eksperimen memiliki total 43 derajat kebebasan gerak (DoF). | Didukung | “giving it a total of 43 controllable degrees of freedom (DoF).” Disebutkan dalam spesifikasi robot uji coba di TechXplore. |
| Pada robot Unitree G1 nyata, RISE mencapai tingkat keberhasilan rata-rata 50,0 persen, 20 poin persentase lebih tinggi daripada baseline berbasis GR00T NVIDIA (30,0 persen). | Didukung | “RISE achieved an average task success rate of 50.0%, 20 percentage points higher than the 30.0% recorded by the GR00T-based baseline.” Tercantum pada hasil pengujian robot nyata di TechXplore. |
| Profesor Songhwai Oh menyatakan robot humanoid harus mampu mempelajari perilaku dengan karakteristik berbeda secara andal dan beralih secara alami di lingkungan nyata. | Didukung | “For humanoid robots to perform a variety of tasks in real-world environments, they must be able to reliably learn behaviors with different characteristics, such as locomotion and object manipulation” Kutipan langsung Profesor Songhwai Oh di TechXplore. |
Video AI terbaru
Your Spark, Your Story: Yannik Marek | NVIDIA RTX Spark
