AGIBOT lança conjunto de dados de raciocínio físico para ensinar robôs a decidir o que fazer a seguir

Um robô pode pegar uma garrafa com perfeição e ainda assim não conseguir reabastecer um frigobar. Pode deixar uma garrafa vazia, colocar reposições demais ou repetir uma etapa que já concluiu. O que falta é a capacidade de avaliar o que a situação exige antes de escolher o próximo movimento.

AGIBOT busca preencher essa lacuna com o conjunto de dados de raciocínio físico, anunciado em 22 de outubro como a Release 4 do AGIBOT WORLD 2026. O lançamento conecta objetivos de tarefas, mudanças nas condições da cena, histórico de execução e ações reais de robôs. A ideia central é coletar diferentes caminhos para alcançar o mesmo objetivo, oferecendo aos pesquisadores material para treinar robôs a adaptar suas decisões à medida que uma tarefa se desenrola.

Um objetivo, várias sequências de ações corretas

A Release 4 muda o foco do projeto das tarefas: de movimentos difíceis para decisões difíceis. Em vez de coletar apenas demonstrações de uma sequência fixa, a AGIBOT varia as quantidades de objetos, os obstáculos, o espaço disponível e o andamento da tarefa. Essas mudanças podem tornar inadequada uma ação que antes era correta, mesmo quando o pedido do usuário permanece o mesmo.

Considere o exemplo do frigobar. Para chegar à meta de três garrafas cheias, é preciso identificar quais estão vazias, contar as cheias que já estão no frigobar e decidir o que retirar e repor. Agarrar uma garrafa com sucesso é apenas uma parte da tarefa. O robô também precisa representar o estado final desejado e compará-lo com o estado atual.

Outro cenário envolve pegar uma chave que está atrás de uma caixa. Talvez seja possível agarrá-la diretamente quando há espaço suficiente. Se a caixa bloquear o acesso, movê-la passa a ser uma condição necessária. Procurar em gavetas acrescenta um problema de memória: uma imagem da câmera, por si só, não permite que o sistema saiba quais gavetas já verificou.

Esses exemplos revelam um desafio prático para a IA física. Uma política que imita os movimentos visíveis de um especialista ainda pode tomar a decisão errada se não tiver o contexto que tornou aqueles movimentos apropriados. Ao variar as condições em torno de um objetivo comum, o conjunto de dados busca disponibilizar essas dependências para o treinamento.

Nove capacidades de raciocínio em níveis crescentes de complexidade

A AGIBOT organiza o lançamento em torno de nove capacidades: selecionar objetos por atributos, escolher de acordo com o contexto, avaliar se uma manipulação é viável, raciocinar sobre os pré-requisitos das ações, buscar em direção a um objetivo, acompanhar estados e quantidades, planejar sequências mais longas, manter a memória e ordenar subtarefas.

Essas capacidades se sobrepõem em tarefas cotidianas. Reabastecer exige reconhecimento, contagem e acompanhamento do progresso. Encontrar um item combina uma estratégia de busca com o registro de tentativas anteriores. Uma tarefa de arrumação mais longa pode exigir vários desses julgamentos em sequência, e cada ação altera as condições para a próxima.

O conjunto de dados divide as tarefas em níveis Fácil, Médio e Difícil. Julgamentos de seleção individual estão entre os mais simples; restrições de quantidade e pré-requisitos aumentam a complexidade; tarefas mais longas combinam vários objetivos, memória e requisitos contextuais. Essa estrutura permite que os pesquisadores estudem habilidades individuais antes de testar o desempenho delas em conjunto.

Os resultados da execução também são anotados, incluindo a escolha dos objetos, seu posicionamento e se a quantidade necessária foi alcançada. O lançamento inclui exemplos de sucesso e de erro, apoiando pesquisas sobre como reconhecer desvios e ajustar decisões posteriores.

Conectando instruções a ações físicas

A contribuição técnica está na maneira como as anotações conectam diferentes níveis de uma tarefa. Uma instrução de alto nível apresenta o objetivo geral. Quadros de tarefa, segmentos de subtarefas e etapas de ação descrevem sua estrutura e seu progresso. Os pesquisadores podem usar essas relações para estudar qual subobjetivo está em andamento e o que deve acontecer a seguir.

No nível do movimento, as anotações Dense Prompt da AGIBOT especificam o objeto-alvo, a região de manipulação, a função de cada um dos dois braços, o movimento, o estado da garra e o resultado esperado. Caixas delimitadoras, pontos e linhas de trajetória conectam a linguagem a locais e caminhos de movimento. Isso fornece a um sistema de aprendizagem orientações mais explícitas sobre a que uma instrução se refere e como sua execução é representada.

A empresa também descreve segmentos de sucesso e adversariais para distinguir alvos de elementos distratores e verificar resultados. Neste caso, os exemplos adversariais dizem respeito à interpretação e à execução de tarefas. Eles ajudam a formular perguntas como se o robô escolheu o objeto certo ou realmente concluiu a etapa solicitada.

Em conjunto, essas anotações visam apoiar um treinamento que conecte um modelo de tomada de decisão a uma política de ação. O modelo de decisão seleciona um subobjetivo, a política executa a manipulação e o estado resultante orienta a decisão seguinte. Esse ciclo de retorno é importante sempre que um robô precisa se recuperar de uma tentativa imperfeita ou reagir a uma mudança na cena.

Como o lançamento se integra à plataforma robótica da AGIBOT

O repositório mais amplo AGIBOT WORLD 2026 descreve dados do mundo real coletados na plataforma G2 da empresa. O formato documentado segue as convenções do LeRobot, com dados de episódios, metadados e fluxos de vídeo separados das câmeras da cabeça e do pulso. Isso oferece um contexto útil para desenvolvedores que conectam observações visuais ao comportamento registrado do robô.

A página do produto G2 da AGIBOT apresenta o hardware como voltado à inteligência incorporada e à manipulação controlada por força, além de recursos interativos. A Versão 4 aborda a camada de tomada de decisões e memória de tarefas associada a esses recursos físicos. Ela também amplia a infraestrutura de dados discutida na cobertura anterior da Unite.AI sobre a plataforma robótica da AGIBOT.

O repositório indica uma licença Creative Commons Attribution–NonCommercial–ShareAlike 4.0. A condição de uso não comercial é uma distinção importante para desenvolvedores que avaliam como usar os dados disponibilizados em um produto.

O que o raciocínio físico pode mudar

Para os setores de hotelaria, serviços domésticos e varejo, o atrativo é um robô capaz de trabalhar para alcançar um resultado mesmo diante de condições variáveis. Arrumar uma mesa ou reabastecer uma prateleira exige verificar o que já está ali, lembrar o trabalho concluído e reconhecer quando não é necessário fazer mais nada. Esses julgamentos se tornam mais importantes à medida que os robôs deixam de realizar demonstrações isoladas e passam a executar fluxos de trabalho completos.

A Versão 4 fornece material de treinamento para avançar nessa direção. Por si só, porém, ela não demonstra que um modelo específico consegue executar esses fluxos de trabalho de maneira confiável em ambientes desconhecidos. A AGIBOT afirma que os dados já contribuíram para sua estrutura de agentes, ainda em desenvolvimento, e para seu modelo fundacional de próxima geração; os resultados de desempenho desses sistemas são uma questão à parte.

A mudança relevante é treinar robôs para compreender a relação entre um objetivo, a situação atual e as consequências de ações anteriores. Pesquisadores podem explorar essa abordagem por meio do projeto AGIBOT WORLD e dos recursos de conjuntos de dados associados a ele.