AGIBOT julkaisee fyysisen päättelyn aineiston opettaakseen roboteille, mitä tehdä seuraavaksi

Robotti voi tarttua pulloon moitteettomasti ja silti epäonnistua minibaarin täydennyksessä. Se saattaa jättää tyhjän pullon paikoilleen, lisätä liian monta uutta pulloa tai toistaa jo suorittamansa vaiheen. Puuttuva taito on sen arvioiminen, mitä tilanne edellyttää, ennen kuin robotti valitsee seuraavan liikkeensä.

AGIBOT pyrkii kuromaan tätä osaamisvajetta umpeen fyysisen päättelyn aineistolla, jonka yhtiö julkisti 22. lokakuuta AGIBOT WORLD 2026 -kokonaisuuden neljäntenä julkaisuna. Julkaisu yhdistää tehtävien tavoitteet, muuttuvat ympäristöolosuhteet, suoritushistorian ja todellisten robottien toiminnan. Keskeisenä ajatuksena on kerätä erilaisia reittejä samaan tavoitteeseen, jotta tutkijat voivat kouluttaa robotteja mukauttamaan päätöksiään tehtävän edetessä.

Yksi tavoite, useita oikeita toimintasarjoja

Neljännessä julkaisussa tehtäväsuunnittelun painopiste siirtyy vaikeista liikkeistä vaikeisiin päätöksiin. Sen sijaan, että AGIBOT keräisi vain kiinteän toimintasarjan esimerkkejä, se vaihtelee esineiden määriä, esteitä, käytettävissä olevaa tilaa ja tehtävän etenemisvaihetta. Muutokset voivat tehdä aiemmin oikeasta toiminnasta sopimattoman, vaikka käyttäjän pyyntö pysyisi samana.

Tarkastellaan minibaariesimerkkiä. Kolmen täyden pullon tavoitemäärän saavuttaminen edellyttää, että robotti tunnistaa tyhjät pullot, laskee jo paikalla olevat täydet pullot ja päättää, mitkä pullot poistetaan ja korvataan uusilla. Onnistunut tarttuminen on vain yksi osa tehtävää. Robotti tarvitsee myös kuvauksen tavoitellusta lopputilasta sekä keinon verrata sitä nykytilaan.

Toisessa tilanteessa avain haetaan laatikon takaa. Suora tarttuminen voi onnistua, jos tilaa on riittävästi. Jos laatikko estää pääsyn, sen siirtäminen on ensin välttämätöntä. Laatikoiden etsiminen tuo mukaan muistiongelman: pelkän kamerakuvan perusteella järjestelmä ei voi tietää, mitkä laatikot se on jo tarkistanut.

Nämä esimerkit tuovat esiin fyysisen tekoälyn käytännön haasteen. Asiantuntijan näkyviä liikkeitä jäljittelevä toimintamalli voi silti tehdä väärän päätöksen, jos siltä puuttuu asiayhteys, joka teki liikkeestä tarkoituksenmukaisen. Vaihtelemalla yhteisen tavoitteen ympärillä vallitsevia olosuhteita aineiston tarkoituksena on tarjota nämä riippuvuudet koulutuksen käyttöön.

Yhdeksän päättelykykyä kasvavassa vaikeusjärjestyksessä

AGIBOT jäsentää julkaisun yhdeksän kyvyn ympärille: esineiden valitseminen niiden ominaisuuksien perusteella, valintojen tekeminen asiayhteyden mukaan, käsittelyn toteutettavuuden arviointi, toiminnan edellytysten päättelemine, tavoitteen mukainen etsiminen, tilojen ja määrien seuraaminen, pidempien toimintasarjojen suunnittelu, muistin ylläpitäminen sekä osatehtävien järjestäminen.

Tavallisissa tehtävissä nämä kyvyt limittyvät. Täydennystyö edellyttää tunnistamista, laskemista ja etenemisen seurantaa. Esineen löytäminen yhdistää hakustrategian aiempien yritysten kirjaamiseen. Pidempi siivoustehtävä voi vaatia useita tällaisia arvioita peräkkäin, ja jokainen toiminto muuttaa seuraavan toiminnon olosuhteita.

Aineiston tehtävät on jaettu helppoihin, keskivaikeisiin ja vaikeisiin. Yksittäiset valintapäätökset ovat yksinkertaisemmasta päästä; määrärajoitteet ja ennakkoedellytykset lisäävät vaikeutta; pidemmissä tehtävissä yhdistyvät useat tavoitteet, muisti ja asiayhteyteen liittyvät vaatimukset. Tämä rakenne antaa tutkijoille mahdollisuuden tutkia yksittäisiä taitoja ennen kuin he testaavat, miten hyvin taidot toimivat yhdessä.

Myös suoritusten tulokset merkitään aineistoon. Merkintöihin sisältyvät esineen valinta ja sijoittaminen sekä tieto siitä, saavutettiinko vaadittu määrä. Julkaisu sisältää sekä onnistuneita että virheellisiä esimerkkejä, mikä tukee poikkeamien tunnistamista ja seuraavien päätösten mukauttamista koskevaa tutkimusta.

Ohjeiden yhdistäminen fyysisiin toimintoihin

Tekninen anti liittyy siihen, miten merkinnät yhdistävät tehtävän eri tasot. Ylätason ohje kertoo kokonaistavoitteen. Tehtäväkehykset, osatehtäväjaksot ja toimintavaiheet kuvaavat tehtävän rakennetta ja etenemistä. Näiden yhteyksien avulla tutkijat voivat selvittää, mikä osatavoite on kulloinkin aktiivinen ja mitä seuraavaksi pitäisi tapahtua.

Liikkeiden tasolla AGIBOTin Dense Prompt -merkinnöissä määritetään kohde-esine, käsittelyalue, kummankin käsivarren tehtävä, liike, tarttujan tila ja odotettu tulos. Rajauslaatikot, pisteet ja liikeradat yhdistävät kielen paikkoihin ja liikeratoihin. Näin oppimisjärjestelmä saa tarkempaa ohjausta siitä, mihin ohjeella viitataan ja miten sen toteutus kuvataan.

Yhtiö kuvailee myös onnistumista ja vastakkaisasettelua sisältäviä jaksoja, joiden avulla kohteet voidaan erottaa häiriötekijöistä ja tulokset tarkistaa. Tässä vastakkaisasetteluesimerkit liittyvät tehtävän tulkintaan ja suorittamiseen. Niiden avulla voidaan tarkastella esimerkiksi sitä, valitsiko robotti oikean esineen tai suorittiko se pyydetyn vaiheen todella loppuun.

Yhdessä näiden merkintöjen tarkoituksena on tukea koulutusta, jossa päätöksentekomalli yhdistetään toimintamalliin. Päätöksentekomalli valitsee osatavoitteen, toimintamalli toteuttaa käsittelyn, ja syntynyt tila ohjaa seuraavaa päätöstä. Tämä palautekytkentä on tärkeä aina, kun robotin on korjattava epäonnistunut yritys tai reagoitava muuttuneeseen ympäristöön.

Miten julkaisu liittyy AGIBOTin robotiikka-alustaan

Laajempi AGIBOT WORLD 2026 -tietovarasto kuvaa yrityksen G2-alustalla kerättyä todellisissa olosuhteissa tallennettua dataa. Dokumentoitu tietomuoto noudattaa LeRobot-käytäntöjä: siihen sisältyy episodidataa ja metatietoja sekä erilliset videovirrat pää- ja rannekameroista. Tämä antaa hyödyllistä taustatietoa kehittäjille, jotka yhdistävät visuaalisia havaintoja tallennettuun robotin toimintaan.

AGIBOTin G2-tuotesivulla laitteisto esitellään kehollisen älykkyyden ja voimansäädellyn käsittelyn alustana, johon kuuluu myös vuorovaikutteisia toimintoja. Release 4 keskittyy näitä fyysisiä kykyjä tukevaan päätöksentekoon ja tehtävämuistiin. Se laajentaa myös data-infrastruktuuria, jota käsiteltiin Unite.AI:n aiemmassa AGIBOTin robotiikka-alustaa koskevassa artikkelissa.

Tietovarastossa ilmoitetaan Creative Commons Attribution–NonCommercial–ShareAlike 4.0 -lisenssi. Ei-kaupallista käyttöä koskeva ehto on olennainen ero, joka kehittäjien on syytä ottaa huomioon pohtiessaan, miten julkaistua dataa voi käyttää tuotteessa.

Mitä fyysinen päättely voisi muuttaa

Majoitus- ja ravitsemisalalla, kotitalouspalveluissa ja vähittäiskaupassa kiinnostavaa on robotti, joka pystyy työskentelemään tavoitteen saavuttamiseksi olosuhteiden muuttuessa. Pöydän järjestäminen uudelleen tai hyllyn täydentäminen edellyttää, että robotti tarkistaa, mitä siellä jo on, muistaa tehdyt työt ja tunnistaa, milloin lisätoimia ei tarvita. Tällainen harkintakyky korostuu, kun robotit siirtyvät yksittäisistä demonstraatioista kokonaisiin työnkulkuihin.

Release 4 tarjoaa koulutusmateriaalia tämän kehityssuunnan tueksi. Se ei kuitenkaan yksin osoita, että jokin tietty malli pystyisi suorittamaan tällaisia työnkulkuja luotettavasti vieraissa ympäristöissä. AGIBOTin mukaan data on jo tukenut sen tulevaa agenttikehystä ja seuraavan sukupolven perusmallia; näiden järjestelmien suorituskyvystä on kuitenkin kyse erikseen.

Hyödyllinen muutos on se, että robotteja koulutetaan ymmärtämään tavoitteen, nykytilanteen ja aiempien toimien seurausten välisiä suhteita. Tutkijat voivat perehtyä tähän lähestymistapaan AGIBOT WORLD -hankkeen ja siihen linkitettyjen data-aineistojen kautta.