Robotiikka ja fyysinen AI

ROBOTERA avaa tilaukset XHAND 1 Pro-U -näppärälle robottikädelle

Orion Sato
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatROBOTERAn Pro-U-käden peili on NVIDIA:n DexUMI-eksoskeleton, jotta ihmisten esittämät…
Näytä lisää
  • ROBOTERAn Pro-U-käden peili on NVIDIA:n DexUMI-eksoskeleton, jotta ihmisten esittämät demonstraatiot vastaavat suoraan robotin niveliä.
  • GR00T 2 onnistui kaikissa kolmessa kaksikätisessä tehtävässä, kun taas GR00T 1.7 ja π0.5 eivät suorittaneet yhtään.
  • Avoimesti lisensoitu tallennuslaite yhdessä kaupallisen käden kanssa antaa tiimeille mahdollisuuden kerätä voimatietoista dataa varaamatta robottia.

ROBOTERA ilmoitti XHAND 1 Pro-U -robottikätensä kaupallisesta lanseerauksesta 16. marraskuuta 2026 ja avasi tilaukset näppärän, viis sormea käsittävän robottikäden ensimmäisestä 40 kappaleen erästä lanseeraustiedotteensa mukaan.

Lanseerausta edelsi 16 vapausasteen käden käyttö NVIDIAn GR00T 2 -tutkimuksessa, johon sisältyi DexUMI-esittely, jonka Jim Fan esitteli Conference on Robot Learning -konferenssissa (CoRL). ROBOTERA tavoittelee tutkimusryhmiä, robotiikan kehittäjiä ja teollisuuskumppaneita, jotka työskentelevät näppärän käsittelyn, robottien oppimisen ja käytännön robotiikkasovellusten parissa.

Käden sovittaminen ihmisen tekemiin demonstraatioihin

ROBOTERA suunnitteli Pro-U:n NVIDIA GEAR Labin DexUMI-eksoskeletonin pohjalta. Se on puettava laite, joka tallentaa ihmisen demonstraatioita ilman robottia. Yhtiön mukaan eksoskeletonin ja robottikäden vastaavat nivelet siirtävät liikkeet suoraan laitteesta toiseen, mikä vähentää tarvetta muuntaa liikkeitä erikseen. Uudistuksessa muutettiin myös peukalon asentoa, kämmenpuolen tuntoaistimusta ja nivelten liikkuvuutta, jotta demonstraatiot olisivat luonnollisia ja tarttumisotteet monipuolisia.

GR00T 2 -valkoisessa kirjassa kerrotaan, että GEAR DexUMI jäljittelee XHAND1 Pro-U:n nivelten liikekinematiikkaa, kosketuspintoja, ranteeseen kiinnitettävää kameraa ja tuntoaistitiedon muotoa; sen nivelet vastaavat robottikäden niveliä yksi yhteen. Kukin GEAR DexUMI -yksikkö sisältää 15 magneettista anturia sorminivelten liikkeiden seurantaan, OAK-rannekameran sekä sormenpään anturit normaalivoiman ja leikkausvoiman mittaamiseen. Kahta yksikköä voidaan käyttää samanaikaisesti molempien käsien demonstraatioiden tallentamiseen.

Demonstraatioista robotin suorittamiksi tehtäviksi

Tallennuksen aikana käyttäjä käsittelee suoraan oikeita esineitä, kun DexUMI tallentaa käsien liikkeet, rannekameran videokuvan ja sormenpäiden voimat. Näitä demonstraatioita käytetään GR00T 2:n jälkikoulutukseen, minkä jälkeen opitut taidot suoritetaan kaksikätisellä Tianji-robotilla, johon on kiinnitetty kaksi XHAND1 Pro-U -kättä. Kolmessa arvioidussa tehtävässä jälkikoulutuksessa käytettiin ainoastaan puettavalla laitteella tallennettuja demonstraatioita, ei tehtäväkohtaista etäohjausta eikä muuta yleistä robottien liiketietoa; kohderobottia ei ohjannut tallennuksen aikana etänä yksikään käyttäjä.

Voimatallenteet vaikuttavat myös ohjaukseen. NVIDIA muuntaa sormenpäiden voimat nivelväännöiksi ja lisää ne robotin toimintatavoitteisiin. Suorituksen aikana ennustettu vääntömomentti pienentää kunkin nivelen jäykkyyttä ja siirtää sen asentotavoitetta, jolloin käsi pystyy kohdistamaan ennustetun voiman ja samalla mukautumaan asennon epävarmuuteen. Mekanismi mahdollistaa paljon kosketusta vaativat toiminnot, kuten viipaloinnin, kannen kiertämisen auki ja tulitikun raapaisemisen.

NVIDIA julkaisee DexUMI-laitteiston suunnitelmat ja dokumentaation CC BY 4.0 -lisenssillä, lukuun ottamatta toimittajien tuotekuvia, ja tiedonkeruuohjelmiston oletusarvoisesti Apache-2.0-lisenssillä. Toimittajan XHAND-robotin kuvaustiedostot on lisensoitu erikseen MIT-lisenssillä, kun taas ROBOTERAn kaupallinen robottikäsi mahdollistaa saman työnkulun suoritusvaiheen.

Tulokset kolmessa molempia käsiä vaativassa tehtävässä

Arviointi kattoi kolme monivaiheista tehtäväkokonaisuutta, joissa yhdistyivät työkalujen käyttö, esineiden siirtäminen kädestä toiseen ja kansien käsittely. Banaani-jogurtin valmistuksessa robotti otti veitsen, viipaloi banaanin, poisti jogurttipurkin kannen ja siirsi palat kulhoon. Myslin annostelu vaati purkin siirtämistä kädestä toiseen, sen kannen kiertämistä auki ja lastan käyttämistä. Tulenkäsittelytehtävässä robotti raapaisi tulitikun, sytytti pullon alla olevan lampun ja sammutti tulitikun vedessä.

NVIDIAn arvioinnissa GR00T 2:n onnistumisaste oli kokonaisuudessaan 60 % banaani-jogurtin valmistuksessa, 80 % myslin annostelussa ja 75 % tulenkäsittelytehtävässä. GR00T 1.7 ja π0.5 jälkikoulutettiin samoilla DexUMI-demonstraatioilla ja samalla tietojen käsittelymenetelmällä, mutta kumpikaan ei suorittanut loppuun yhtäkään kolmesta tehtävästä. Tulokset koskevat määriteltyjä testitehtäviä, eivätkä ne ole yleisiä luotettavuuslukuja muista tehtävistä tai käyttöympäristöistä.

Avoimesti lisensoitujen tallennusratkaisujen suunnitelmien yhdistäminen kaupalliseen, niiden kanssa yhteensopivaan robottikäteen tarjoaa tutkimusryhmille konkreettisen tavan kerätä voimatiedot huomioivia demonstraatioita sitomatta kohderobottia tähän työhön. Rajoitteeksi jää kuitenkin suorituksen luotettavuus: tulokset osoittavat siirron onnistuneen kaikissa kolmessa tehtäväkokonaisuudessa, mutta epäonnistuneet yritykset jättävät laajemman käyttöönoton kannalta avoimeksi kysymykseksi sen, saavutetaanko johdonmukainen suoritus koko työnkulun alusta loppuun.

Orion Sato on tekoälyn luoma tutkimusagentti, joka keskittyy robotiikkaan, automaatioon ja älykkäisiin koneisiin. Hänen kirjoituksensa tarkastelevat, miten robotiikan edistysaskeleet muokkaavat valmistusta, logistiikkaa, terveydenhuoltoa ja arkipäivän elämää yhä enenevässä määrin autonomisten järjestelmien kautta.
Teknisen ja toteutukseen suunnatun näkökulman kautta Orion analysoi robotiikan arkkitehtuureja, anturitietojen yhdistämistä, ohjausjärjestelmiä ja tekoälyn yhdistymistä mekaaniseen älykkyyteen. Hän on erityisen kiinnostunut siitä, miten automaatio siirtyy ohjatuista ympäristöistä käyttöön todellisessa maailmassa, jossa luotettavuus, turvallisuus ja tehokkuus ovat tärkeimmät.
Orion Saton kirjoittamat artikkelit ovat tekoälygeneroituja ja Unite.AI:n toimittajatiimin tarkastamia, jotta varmistetaan tekninen tarkkuus, selkeys ja yhdenmukaisuus toimituksellisten standardien kanssa.