Courtesy of InterestingEngineering

RGMP: Framework AI Baru Memperkuat Kemampuan Manipulasi Robot Humanoid

Mengembangkan kerangka kerja AI bernama RGMP yang menggabungkan penalaran geometris dengan pembelajaran efisien agar robot humanoid dapat meningkatkan akurasi menggenggam objek dan melakukan tugas manipulasi manual yang lebih kompleks dengan lebih sedikit data pelatihan.

28 Nov 2025, 19.56 WIB

21 dibaca

Ikhtisar 15 Detik

RGMP meningkatkan manipulasi robot humanoid dengan menggabungkan penalaran geometris dan pembelajaran efisien.
Kerangka kerja ini memungkinkan robot untuk bekerja secara efektif dengan lebih sedikit data pelatihan.
Hasil penelitian menunjukkan bahwa RGMP dapat meningkatkan akurasi dan kemampuan adaptasi robot dalam lingkungan dan objek yang tidak terduga.

Wuhan, China - Robot humanoid saat ini memiliki keterbatasan dalam menangani berbagai objek secara akurat di lingkungan yang berbeda. Kebanyakan model pembelajaran mesin membutuhkan dataset besar dan kurang memahami aspek geometris serta konteks objek sehingga sulit untuk beradaptasi. Para peneliti dari Wuhan University memperkenalkan sebuah framework baru bernama RGMP yang bertujuan mengatasi masalah ini dengan menggabungkan pemahaman bentuk objek dan teknik pembelajaran yang efisien.

RGMP terdiri dari dua komponen utama, yaitu Geometric-prior Skill Selector (GSS) yang membantu memilih aksi yang tepat berdasarkan bentuk objek dan kebutuhan tugas, serta Adaptive Recursive Gaussian Network (ARGN) yang menyimpan dan memperbarui memori spasial untuk meningkatkan pembelajaran dari data yang terbatas. Dengan menggunakan pendekatan ini, robot dapat belajar lebih cepat dan lebih baik dalam melakukan berbagai tugas manipulasi tangan yang kompleks.

Pengujian RGMP dilakukan pada dua jenis robot, yaitu robot humanoid dan robot dual-arm desktop, menggunakan dataset 120 demonstrasi. Hasilnya, RGMP mampu mencapai akurasi generalisasi hingga 87 persen dan menggunakan data lima kali lebih sedikit dibanding metode diffusion policy. Selain itu, RGMP menunjukkan peningkatan dalam pemilihan keterampilan yang tepat hingga 25 persen dan akurasi eksekusi yang lebih baik pada objek dan lingkungan yang belum pernah dilihat sebelumnya.

Keunggulan utama RGMP adalah kemampuannya untuk menghubungkan keterampilan manipulasi dengan konteks objek dan memecah gerakan 6-DoF menjadi komponen Gaussian, sehingga lebih efisien dan mudah digeneralisasi. Hal ini menunjukkan bahwa menggabungkan simbolik penalaran dengan pembelajaran mesin membawa kemampuan adaptasi yang lebih baik bagi robot di lingkungan yang tidak dikenal.

Penelitian lebih lanjut direncanakan untuk membuat robot mampu menginferensi aksi pada objek baru hanya dari satu contoh, yang dapat membuka jalan bagi pengembangan sistem humanoid yang lebih cerdas, adaptif, dan mampu beroperasi secara mandiri di berbagai situasi dan lingkungan.

Referensi:
[1] https://interestingengineering.com/ai-robotics/humanoids-complete-household-tasks-with-less-training

Analisis Ahli

Hiroshi Ishiguro

"Integrasi penalaran geometris sebagai prior dalam pembelajaran robot memiliki potensi besar untuk meningkatkan pemahaman robot terhadap ruang dan objek, yang selama ini menjadi kendala utama dalam robot humanoid."

Fei-Fei Li

"Meminimalkan kebutuhan data sambil mempertahankan performa tinggi adalah kunci dalam AI manipulasi, dan RGMP memberikan contoh penting bagaimana pemahaman struktur objek dapat mempercepat pembelajaran."

Analisis Kami

"Pendekatan RGMP yang menggabungkan simbolik penalaran geometris dengan pembelajaran efisien menandai lompatan besar dalam bidang robotika manipulatif. Namun, tantangan nyata masih ada dalam menguji kemampuan ini dalam skenario dunia nyata yang lebih dinamis dan beragam untuk memastikan robustitas teknologi ini."

Prediksi Kami

Di masa depan, robot humanoid kemungkinan akan semakin mampu menentukan dan melakukan aksi sesuai dengan objek baru hanya dengan melihat satu contoh, sehingga meningkatnya fleksibilitas dan kemampuan adaptasi robot untuk berbagai tugas di lingkungan nyata.

Pertanyaan Terkait

Apa itu RGMP dan tujuan pengembangannya?

RGMP adalah kerangka kerja baru yang dirancang untuk meningkatkan akurasi pengambilan objek oleh robot humanoid dan memungkinkan mereka melakukan tugas manual yang lebih kompleks.

Bagaimana RGMP meningkatkan efisiensi data dalam pelatihan robot?

RGMP memungkinkan robot untuk belajar dengan lebih efisien, membutuhkan lebih sedikit data pelatihan dibandingkan model lain, sehingga hanya memerlukan 40 contoh untuk mencapai kinerja tinggi.

Apa saja komponen utama dari RGMP?

Dua komponen utama dari RGMP adalah Geometric-prior Skill Selector (GSS) dan Adaptive Recursive Gaussian Network (ARGN), yang membantu pemilihan keterampilan dan memperbaiki pembelajaran dari dataset kecil.

Bagaimana hasil pengujian RGMP dibandingkan dengan model lain?

Hasil pengujian menunjukkan RGMP lebih unggul dalam berbagai tugas manipulasi, termasuk objek yang tidak terlihat dan lingkungan baru, dengan peningkatan pemilihan keterampilan hingga 25 persen.

Apa rencana penelitian selanjutnya setelah pengembangan RGMP?

Penelitian selanjutnya akan fokus pada kemampuan robot untuk menyimpulkan tindakan terhadap objek baru setelah hanya belajar dari satu contoh.