AGIBOT Merilis Dataset Penalaran Fisik untuk Mengajari Robot Menentukan Tindakan Berikutnya

Robot dapat mengambil botol dengan sempurna, tetapi tetap gagal saat mengisi ulang minibar. Robot mungkin menyimpan botol kosong, menambahkan terlalu banyak botol pengganti, atau mengulangi langkah yang sudah diselesaikannya. Keterampilan yang belum dimiliki adalah menentukan apa yang diperlukan oleh situasi sebelum memilih gerakan berikutnya.

AGIBOT berupaya mengatasi kesenjangan tersebut melalui dataset Penalaran Fisik, yang diumumkan pada 22 Oktober sebagai Rilis 4 dari AGIBOT WORLD 2026. Rilis ini menghubungkan tujuan tugas, kondisi lingkungan yang berubah, riwayat pelaksanaan, dan tindakan robot sungguhan. Gagasan utamanya adalah mengumpulkan berbagai cara untuk mencapai tujuan yang sama, sehingga peneliti memiliki bahan untuk melatih robot agar menyesuaikan keputusannya seiring berjalannya tugas.

Satu Tujuan, Beberapa Urutan Tindakan yang Benar

Rilis 4 mengalihkan fokus perancangan tugas dari gerakan yang sulit ke keputusan yang sulit. Alih-alih hanya mengumpulkan demonstrasi urutan tindakan yang tetap, AGIBOT memvariasikan jumlah objek, penghalang, ruang yang tersedia, dan kemajuan tugas. Perubahan tersebut dapat membuat tindakan yang sebelumnya tepat menjadi tidak sesuai, bahkan ketika permintaan pengguna tetap sama.

Perhatikan contoh minibar. Untuk mencapai target tiga botol penuh, robot harus mengenali botol mana yang kosong, menghitung botol penuh yang sudah tersedia, lalu memutuskan apa yang harus disingkirkan dan diisi ulang. Keberhasilan mengambil botol hanyalah salah satu bagian dari tugas. Robot juga memerlukan representasi kondisi akhir yang diinginkan dan cara untuk membandingkannya dengan kondisi saat ini.

Skenario lain melibatkan pengambilan kunci yang berada di balik kotak. Robot mungkin dapat mengambilnya secara langsung jika ruangnya cukup. Jika kotak menghalangi akses, memindahkan kotak menjadi langkah prasyarat. Mencari di laci menimbulkan masalah memori: gambar kamera saja tidak dapat memberi tahu sistem laci mana yang sudah diperiksanya.

Contoh-contoh ini menunjukkan tantangan praktis dalam AI fisik. Kebijakan yang meniru gerakan ahli yang terlihat tetap dapat mengambil keputusan yang keliru jika tidak memiliki konteks yang membuat gerakan tersebut tepat. Dengan memvariasikan kondisi di sekitar tujuan yang sama, dataset ini dirancang agar keterkaitan tersebut dapat digunakan dalam pelatihan.

Sembilan Kemampuan Penalaran dengan Tingkat Kerumitan yang Meningkat

AGIBOT menyusun rilis ini berdasarkan sembilan kemampuan: memilih objek berdasarkan atribut, menentukan pilihan sesuai konteks, menilai kelayakan suatu manipulasi, menalar prasyarat tindakan, mencari untuk mencapai tujuan, melacak kondisi dan jumlah, merencanakan urutan yang lebih panjang, mempertahankan memori, serta mengurutkan subtugas.

Dalam pekerjaan sehari-hari, kemampuan-kemampuan ini saling berkaitan. Mengisi ulang persediaan membutuhkan pengenalan, penghitungan, dan pelacakan kemajuan. Menemukan barang memadukan strategi pencarian dengan catatan percobaan sebelumnya. Tugas rumah tangga yang lebih panjang dapat memerlukan beberapa pertimbangan ini secara berurutan, dengan setiap tindakan mengubah kondisi untuk tindakan berikutnya.

Dataset ini membagi tugas ke dalam tingkat Mudah, Sedang, dan Sulit. Pertimbangan untuk memilih satu objek berada pada tingkat yang lebih sederhana; batasan jumlah dan prasyarat menambah kerumitan; sementara tugas yang lebih panjang menggabungkan beberapa tujuan, memori, dan persyaratan kontekstual. Struktur ini memberi peneliti cara untuk mempelajari keterampilan secara terpisah sebelum menguji seberapa baik keterampilan tersebut bekerja bersama.

Hasil pelaksanaan juga diberi anotasi, termasuk pilihan objek, penempatan, dan apakah jumlah yang diminta berhasil dipenuhi. Rilis ini mencakup contoh yang berhasil maupun yang keliru, sehingga mendukung penelitian tentang pengenalan penyimpangan dan penyesuaian keputusan selanjutnya.

Menghubungkan Instruksi dengan Tindakan Fisik

Kontribusi teknisnya terletak pada cara anotasi menghubungkan berbagai tingkatan tugas. Instruksi tingkat tinggi menyatakan tujuan keseluruhan. Kerangka tugas, segmen subtugas, dan langkah tindakan menjelaskan struktur serta kemajuannya. Peneliti dapat menggunakan hubungan tersebut untuk mempelajari subtujuan mana yang sedang dijalankan dan apa yang seharusnya terjadi berikutnya.

Pada tingkat gerakan, anotasi Dense Prompt dari AGIBOT menentukan objek sasaran, area manipulasi, peran kedua lengan, gerakan, keadaan penjepit, dan hasil yang diharapkan. Kotak pembatas, titik, dan garis lintasan menghubungkan bahasa dengan lokasi dan jalur gerakan. Dengan demikian, sistem pembelajaran mendapat panduan yang lebih eksplisit tentang acuan suatu instruksi dan cara pelaksanaannya direpresentasikan.

Perusahaan itu juga menjelaskan segmen keberhasilan dan segmen adversarial untuk membedakan sasaran dari objek pengalih perhatian serta memeriksa hasil. Dalam konteks ini, contoh adversarial berkaitan dengan penafsiran dan pelaksanaan tugas. Contoh tersebut membantu merumuskan pertanyaan seperti apakah robot memilih objek yang tepat atau benar-benar menyelesaikan langkah yang diminta.

Secara keseluruhan, anotasi ini dirancang untuk mendukung pelatihan yang menghubungkan model pengambilan keputusan dengan kebijakan tindakan. Model keputusan memilih subtujuan, kebijakan menjalankan manipulasi, dan kondisi yang dihasilkan menjadi masukan bagi keputusan berikutnya. Umpan balik tersebut penting setiap kali robot harus memulihkan diri dari percobaan yang kurang sempurna atau merespons perubahan lingkungan.

Posisi Rilis Ini dalam Platform Robotika AGIBOT

Repositori AGIBOT WORLD 2026 yang lebih luas memuat data dunia nyata yang dikumpulkan melalui platform G2 milik perusahaan. Format yang didokumentasikan mengikuti konvensi LeRobot, dengan data episode, metadata, serta aliran video terpisah dari kamera di kepala dan pergelangan tangan. Hal ini memberikan konteks yang berguna bagi pengembang yang menghubungkan pengamatan visual dengan perilaku robot yang terekam.

Halaman produk G2 AGIBOT memosisikan perangkat kerasnya untuk mendukung kecerdasan berwujud dan manipulasi yang dikendalikan gaya, serta kemampuan interaktif. Rilis 4 menangani lapisan pengambilan keputusan dan memori tugas yang berkaitan dengan kemampuan fisik tersebut. Rilis ini juga memperluas infrastruktur data yang dibahas dalam liputan Unite.AI sebelumnya tentang platform robotika AGIBOT.

Repositori tersebut mencantumkan lisensi Creative Commons Attribution–NonCommercial–ShareAlike 4.0. Ketentuan nonkomersial ini merupakan pembedaan penting bagi pengembang yang mempertimbangkan cara menggunakan data yang dirilis tersebut dalam suatu produk.

Apa yang Dapat Berubah Berkat Penalaran Fisik

Di bidang perhotelan, layanan rumah tangga, dan operasional ritel, daya tariknya terletak pada robot yang dapat mengupayakan suatu hasil dalam kondisi yang berubah-ubah. Menata kembali meja atau mengisi ulang rak mengharuskan robot memeriksa apa yang sudah tersedia, mengingat pekerjaan yang telah diselesaikan, dan mengenali kapan tindakan lebih lanjut tidak diperlukan. Penilaian semacam itu menjadi semakin penting saat robot beralih dari demonstrasi terpisah ke alur kerja yang lengkap.

Release 4 menyediakan materi pelatihan untuk mendukung arah tersebut. Namun, rilis ini sendiri tidak membuktikan bahwa model tertentu dapat menjalankan alur kerja itu secara andal di lingkungan yang belum dikenal. AGIBOT menyatakan bahwa data tersebut telah mendukung kerangka kerja agen yang akan diluncurkan dan model fondasi generasi berikutnya; hasil kinerja untuk kedua sistem itu masih perlu dinilai secara terpisah.

Perubahan yang bermanfaat adalah mengarahkan pelatihan robot pada hubungan antara tujuan, situasi saat ini, dan konsekuensi tindakan sebelumnya. Peneliti dapat menjajaki pendekatan tersebut melalui proyek AGIBOT WORLD dan sumber daya kumpulan data yang terhubung dengannya.