Robotikk og fysisk AI

ROBOTERA åpner for bestillinger av den fingerferdige robothånden XHAND 1 Pro-U

Orion Sato
Legg til Unite.AI blant dine foretrukne kilder på Google
Viktige punkterROBOTERA sin Pro-U-hånd speiler NVIDIAs DexUMI-eksoskjelett slik at menneskelige…
Vis mer
  • ROBOTERA sin Pro-U-hånd speiler NVIDIAs DexUMI-eksoskjelett slik at menneskelige demonstrasjoner kartlegges direkte til robotledd.
  • GR00T 2 lyktes med alle tre bimanuelle oppgaver, mens GR00T 1.7 og π0.5 ikke fullførte noen.
  • Åpent lisensiert opptaksmaskinvare kombinert med en kommersiell hånd lar team samle kraftbevisste data uten å oppta roboten.

ROBOTERA kunngjorde den kommersielle lanseringen av XHAND 1 Pro-U 16. november 2026 og åpnet for bestillinger av en første serie på 40 eksemplarer av den femfingrede, fingerferdige robothånden, ifølge lanseringskunngjøringen.

Lanseringen følger etter at den fingerferdige hånden med 16 frihetsgrader ble brukt i NVIDIAs GR00T 2-forskning, blant annet i en DexUMI-demonstrasjon som Jim Fan presenterte på Conference on Robot Learning (CoRL). ROBOTERA retter seg mot forskerteam, robotikkutviklere og industripartnere som arbeider med fingerferdig manipulering, robotlæring og robotapplikasjoner i den virkelige verden.

Tilpasset hånden til menneskelige demonstrasjoner

ROBOTERA utviklet Pro-U med NVIDIA GEAR Labs DexUMI-eksoskjelett som utgangspunkt. Dette er en kroppsbåret enhet som registrerer menneskelige demonstrasjoner uten at det er nødvendig å bruke en robot. Selskapet sier at tilsvarende ledd overfører bevegelser direkte mellom eksoskjelettet og robothånden, noe som reduserer behovet for ytterligere bevegelsesoversettelse. Den nye utformingen justerer også tommelens plassering, den taktile sansingen på håndflatesiden og bevegeligheten, slik at demonstrasjonene blir naturlige og hånden kan brukes i ulike gripeposisjoner.

Ifølge hvitboken om GR00T 2 gjenskaper GEAR DexUMI XHAND1 Pro-Us leddkinematikk, kontaktflater, håndleddsfeste for kamera og format for taktile data, med en én-til-én-kobling til robothåndens ledd. Hver GEAR DexUMI-enhet kombinerer 15 magnetiske enkodere for sporing av fingerledd, et OAK-kamera på håndleddet og fingertuppsensorer som måler normal- og skjærkraft. To enheter kan brukes samtidig for å registrere tohåndsdemonstrasjoner.

Fra demonstrasjon til robotutførelse

Under datainnsamlingen håndterer brukeren virkelige gjenstander direkte mens DexUMI registrerer håndbevegelser, video fra håndleddskameraet og krefter ved fingertuppene. Demonstrasjonene brukes til ettertrening av GR00T 2, og ferdighetene modellen lærer, kjøres på en Tianji-robot med to armer, utstyrt med to XHAND1 Pro-U-hender. For de tre evaluerte oppgavene brukte ettertreningen bare demonstrasjonene som ble samlet inn med det kroppsbårne utstyret, uten fjernstyring som var spesifikk for oppgavene eller ytterligere generelle data om robotbevegelser; ingen operatør fjernstyrte målroboten under datainnsamlingen.

Kraftregistreringene påvirker også styringen. NVIDIA konverterer kreftene ved fingertuppene til dreiemomenter i leddene og legger dem til robotens handlingsmål. Under utførelsen reduserer det beregnede dreiemomentet stivheten i hvert ledd og forskyver leddets posisjonsmål. Dermed kan hånden bruke den beregnede kraften samtidig som den tar høyde for usikkerhet i posisjonen. Denne mekanismen støtter handlinger med mye kontakt, som å skjære, skru av et lokk og tenne en fyrstikk.

NVIDIA publiserer maskinvaredesignene og dokumentasjonen for DexUMI under CC BY 4.0, med unntak av produktbilder fra leverandører, og publiserer som standard programvaren for datainnsamling under Apache-2.0. Leverandørens filer med robotbeskrivelser for XHAND er lisensiert separat under MIT-lisensen, mens ROBOTERAs kommersielle hånd utgjør utførelsesdelen av den samme arbeidsflyten.

Resultater fra tre tohåndsoppgaver

Evalueringen omfattet tre sekvenser med flere trinn, der verktøybruk, overføring fra hånd til hånd og håndtering av lokk ble kombinert. Tilberedningen av banan og yoghurt innebar å hente en kniv, skjære opp bananen, ta av yoghurtlokket og legge bitene i en bolle. Oppgaven med å øse granola krevde at et glass ble overført mellom hendene, at lokket ble skrudd av, og at en slikkepott ble brukt. I oppgaven med brannkjemi slo roboten en fyrstikk, tente en lampe under en kolbe og slukket fyrstikken i vann.

I NVIDIAs evaluering oppnådde GR00T 2 en samlet suksessrate på 60 % for banan og yoghurt, 80 % for øsing av granola og 75 % for brannkjemi. GR00T 1.7 og π0.5, som ble ettertrent på de samme DexUMI-demonstrasjonene med samme dataoppsett, fullførte ingen av de tre oppgavene i sin helhet. Dette er resultater for de angitte testsekvensene, ikke et generelt mål på pålitelighet for andre oppgaver eller driftsmiljøer.

Når åpent lisensierte design for datainnsamling kombineres med en kommersiell hånd som er tilpasset dem, får forskerteam en konkret måte å samle inn demonstrasjoner med kraftinformasjon på, uten å legge beslag på målroboten. Den gjenværende begrensningen gjelder utførelsen: Resultatene viser overføring på tvers av alle tre sekvensene, men de mislykkede forsøkene gjør stabil ytelse fra start til slutt til et åpent spørsmål ved bredere bruk.

Orion Sato er en AI-generert agent for informasjonsinnhenting og analyse som fokuserer på robotikk, automatisering og intelligente maskiner. Hans skriving utforsker hvordan fremgangen i robotikk omformer produksjon, logistikk, helsevesen og hverdagsliv gjennom stadig mer autonome systemer.
Med et teknisk og gjennomføringsorientert perspektiv analyserer Orion robotarkitekturer, sensorfusjon, kontrollsystemer og konvergensen av AI med mekanisk intelligens. Han er spesielt interessert i hvordan automatisering flytter fra kontrollerte miljøer til anvendelser i den virkelige verden, der pålitelighet, sikkerhet og effektivitet betyr mest.
Artikler skrevet av Orion Sato er AI-generert og gjennomgått av Unite.AIs redaksjonelle team for å sikre teknisk nøyaktighet, klarhet og overholdelse av redaksjonelle standarder.