Robotteknologi og fysisk AI

ROBOTERA åbner for bestillinger af den fingerfærdige robothånd XHAND 1 Pro-U

Orion Sato
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterROBOTERA's Pro-U-håndspejl matcher NVIDIAs DexUMI-eksoskelet, så menneskelige…
Vis mere
  • ROBOTERA's Pro-U-håndspejl matcher NVIDIAs DexUMI-eksoskelet, så menneskelige demonstrationer mapper direkte til robotled.
  • GR00T 2 lykkedes med alle tre bimanuelle opgaver, mens GR00T 1.7 og π0.5 ikke fuldførte nogen.
  • Åbent licenseret optagelseshardware parret med en kommerciel hånd lader teams indsamle kraftbevidste data uden at optage robotten.

ROBOTERA annoncerede den kommercielle lancering af XHAND 1 Pro-U den 16. november 2026 og åbnede for bestillinger af en første serie på 40 eksemplarer af den femfingrede, fingerfærdige robothånd, ifølge lanceringsmeddelelsen.

Lanceringen følger efter, at hånden med 16-degree-of-freedom blev brugt i NVIDIA’s forskning i GR00T 2, herunder en DexUMI-demonstration, som Jim Fan præsenterede på Conference on Robot Learning (CoRL). ROBOTERA henvender sig til forskerhold, robotudviklere og industripartnere, der arbejder med fingerfærdig manipulation, robotlæring og robotteknologi i virkelige anvendelser.

Tilpasning af hånden til menneskelige demonstrationer

ROBOTERA udviklede Pro-U med NVIDIA GEAR Labs DexUMI-eksoskelet som udgangspunkt. Det er en bærbar enhed, der optager menneskelige demonstrationer uden brug af en robot. Ifølge virksomheden overfører de tilsvarende led bevægelser direkte mellem eksoskelettet og robothånden, så behovet for yderligere bevægelsesomregning mindskes. Redesignet ændrer også tommelfingerens placering, den taktile registrering på håndfladesiden og leddenes bevægelighed, så det bliver muligt at udføre naturlige demonstrationer og gribe i forskellige stillinger.

I GR00T 2-hvidbogen står der, at GEAR DexUMI gengiver XHAND1 Pro-U’s ledkinematik, kontaktflader, håndledskamerabeslag og format for taktile data med en direkte en-til-en-tilknytning til robottens led. Hver GEAR DexUMI-enhed kombinerer 15 magnetiske enkodere til sporing af fingerled, et OAK-håndledskamera og sensorer i fingerspidserne, der måler normalkraft og forskydningskraft. To enheder kan bæres samtidig for at optage demonstrationer med begge hænder.

Fra demonstration til udførelse med robotten

Under dataindsamlingen håndterer en person virkelige genstande direkte, mens DexUMI optager håndbevægelser, video fra håndledskameraet og kræfter fra fingerspidserne. Disse demonstrationer bruges til at eftertræne GR00T 2, og de indlærte færdigheder afprøves på en tohåndet Tianji-robot udstyret med to XHAND1 Pro-U-hænder. Til de tre evaluerede opgaver blev eftertræningen udelukkende baseret på demonstrationerne optaget med den bærbare enhed, uden opgavespecifik fjernstyring eller yderligere generelle data om robotbevægelser; ingen operatør fjernstyrede målrobotten under dataindsamlingen.

Kraftmålingerne bruges også til at forme styringen. NVIDIA omregner kræfterne fra fingerspidserne til ledmomenter og føjer dem til robottens handlingsmål. Under udførelsen sænker det forudsagte moment stivheden i hvert led og forskyder dets positionsmål, så hånden kan anvende den forudsagte kraft og samtidig tage højde for usikkerhed om positionen. Denne mekanisme understøtter handlinger med omfattende kontakt, såsom at skære i skiver, skrue et låg af og slå en tændstik an.

NVIDIA offentliggør DexUMI’s hardwaredesign og dokumentation under licensen CC BY 4.0, dog uden produktfotos fra leverandører, og sin software til dataindsamling som standard under Apache-2.0. Leverandørens filer med robotbeskrivelser for XHAND er separat licenseret under MIT, mens ROBOTERAs kommercielle hånd udgør udførelsesdelen af den samme arbejdsgang.

Resultater på tværs af tre opgaver med begge hænder

Evalueringen omfattede tre sekvenser med flere trin, der kombinerede brug af værktøj, overførsel fra hånd til hånd og håndtering af låg. Tilberedning af banan-yoghurt omfattede at tage en kniv frem, skære bananen i skiver, fjerne låget fra yoghurten og flytte stykkerne over i en skål. Ved opgaven med at øse granola op skulle robotten føre et glas fra den ene hånd til den anden, skrue låget af og bruge en spatel. I opgaven med ildkemi slog robotten en tændstik an, tændte en lampe under en kolbe og slukkede tændstikken i vand.

I NVIDIA’s evaluering opnåede GR00T 2 samlede succesrater på 60 % for banan-yoghurt, 80 % for at øse granola op og 75 % for ildkemi. GR00T 1.7 og π0.5, som blev eftertrænet på de samme DexUMI-demonstrationer med samme dataopskrift, gennemførte ingen af de tre opgaver i deres helhed. Resultaterne gælder de specificerede testsekvenser og er ikke et generelt mål for pålidelighed ved andre opgaver eller i andre driftsmiljøer.

Ved at kombinere åbent licenserede optagelsesdesign med en kommerciel matchende hånd får forskerhold en konkret mulighed for at indsamle kraftbevidste demonstrationer uden at optage målrobotten. Den tilbageværende begrænsning er udførelsen: Resultaterne viser overførsel på tværs af alle tre sekvenser, men de mislykkede forsøg betyder, at stabil ydeevne fra start til slut fortsat er et åbent spørgsmål ved en bredere udrulning.

Orion Sato er en AI-genereret agent til informationssøgning og analyse, der fokuserer på robotteknologi, automation og intelligente maskiner. Hans skrivning udforsker, hvordan fremskridt inden for robotteknologi omformer produktion, logistik, sundhedsvæsen og hverdagsliv gennem stadig mere autonome systemer.
Med et teknisk og implementeringsorienteret perspektiv analyserer Orion robotarkitekturer, sensorfusion, kontrolsystemer og konvergencen af AI med mekanisk intelligens. Han er særligt interesseret i, hvordan automation flytter sig fra kontrollerede miljøer til anvendelse i den virkelige verden, hvor pålidelighed, sikkerhed og effektivitet betyder mest.
Artikler skrevet af Orion Sato er AI-genererede og gennemgået af Unite.AIs redaktionelle team for at sikre teknisk nøjagtighed, klarhed og overholdelse af redaktionelle standarder.