AGIBOT lansează un set de date despre raționamentul fizic, pentru a-i învăța pe roboți ce să facă în continuare

Un robot poate ridica perfect o sticlă și totuși să nu reușească să reaprovizioneze un minibar. Ar putea păstra o sticlă goală, adăuga prea multe sticle de înlocuire sau repeta un pas pe care l-a încheiat deja. Îi lipsește abilitatea de a stabili ce cere situația înainte de a alege următoarea mișcare.

AGIBOT urmărește să acopere acest deficit cu setul de date Physical Reasoning, anunțat pe 22 octombrie ca Release 4 din AGIBOT WORLD 2026. Această versiune conectează obiectivele sarcinilor, condițiile în schimbare ale scenei, istoricul execuției și acțiunile reale ale roboților. Ideea centrală este să colecteze trasee diferite către același obiectiv, oferindu-le cercetătorilor material pentru a antrena roboții să-și adapteze deciziile pe măsură ce sarcina se desfășoară.

Un singur obiectiv, mai multe secvențe de acțiuni corecte

Release 4 mută accentul în proiectarea sarcinilor de la mișcările dificile la deciziile dificile. În loc să colecteze doar demonstrații ale unei secvențe fixe, AGIBOT variază numărul obiectelor, obstacolele, spațiul disponibil și progresul sarcinii. Aceste schimbări pot face nepotrivită o acțiune care anterior era corectă, chiar dacă solicitarea utilizatorului rămâne aceeași.

Să luăm exemplul minibarului. Pentru a ajunge la un obiectiv de trei sticle pline, robotul trebuie să identifice sticlele goale, să le numere pe cele pline deja prezente și să decidă ce să scoată și ce să reaprovizioneze. Reușita apucării este doar o parte a sarcinii. Robotul are nevoie și de o reprezentare a stării finale dorite și de o modalitate de a o compara cu starea actuală.

Un alt scenariu presupune recuperarea unei chei aflate în spatele unei cutii. O apucare directă poate funcționa dacă este suficient spațiu. Dacă cutia blochează accesul, mutarea ei devine o condiție prealabilă. Căutarea prin sertare adaugă o problemă de memorie: imaginea unei camere, de una singură, nu îi poate spune sistemului ce sertare a verificat deja.

Aceste exemple scot la iveală o provocare practică pentru IA fizică. O politică ce imită mișcările vizibile ale unui expert poate lua totuși decizia greșită dacă nu dispune de contextul care a făcut mișcarea respectivă potrivită. Variind condițiile în jurul unui obiectiv comun, setul de date urmărește să pună la dispoziție aceste dependențe pentru antrenare.

Nouă abilități de raționament, cu un nivel de complexitate în creștere

AGIBOT organizează această versiune în jurul a nouă abilități: selectarea obiectelor după caracteristici, alegerea în funcție de context, evaluarea fezabilității unei manipulări, raționamentul privind condițiile prealabile ale acțiunilor, căutarea orientată către un obiectiv, urmărirea stărilor și a cantităților, planificarea unor secvențe mai lungi, păstrarea memoriei și ordonarea subt sarcinilor.

În activitățile obișnuite, aceste abilități se suprapun. Reaprovizionarea necesită recunoaștere, numărare și urmărirea progresului. Găsirea unui obiect combină o strategie de căutare cu evidența încercărilor anterioare. O sarcină mai amplă de menaj poate necesita mai multe dintre aceste judecăți, una după alta, fiecare acțiune modificând condițiile pentru următoarea.

Setul de date împarte sarcinile în nivelurile Ușor, Mediu și Dificil. Judecățile individuale de selecție se află la capătul mai simplu al scalei; constrângerile privind cantitățile și condițiile prealabile sporesc complexitatea; sarcinile mai lungi combină mai multe obiective, memoria și cerințele contextuale. Această structură le oferă cercetătorilor o modalitate de a studia abilitățile individuale înainte de a testa cât de bine funcționează împreună.

Sunt adnotate și rezultatele execuției, inclusiv alegerea obiectului, amplasarea și atingerea cantității necesare. Versiunea include atât exemple reușite, cât și eronate, sprijinind cercetarea privind recunoașterea abaterilor și ajustarea deciziilor ulterioare.

Conectarea instrucțiunilor cu acțiunile fizice

Contribuția tehnică constă în modul în care adnotările conectează diferitele niveluri ale unei sarcini. O instrucțiune de nivel înalt precizează obiectivul general. Cadrele sarcinii, segmentele subsarcinilor și pașii de acțiune îi descriu structura și progresul. Cercetătorii pot folosi aceste relații pentru a studia care subobiectiv este activ și ce ar trebui să se întâmple în continuare.

La nivelul mișcării, adnotările Dense Prompt ale AGIBOT specifică obiectul-țintă, zona de manipulare, rolurile celor două brațe, mișcarea, starea gripperului și rezultatul așteptat. Casetele de delimitare, punctele și liniile traiectoriei conectează limbajul cu pozițiile și traseele de mișcare. Astfel, un sistem de învățare primește îndrumări mai explicite despre referentul unei instrucțiuni și despre modul în care este reprezentată executarea acesteia.

Compania descrie și segmente de succes și segmente adversariale, folosite pentru a distinge țintele de elementele care distrag atenția și pentru a verifica rezultatele. În acest context, exemplele adversariale vizează interpretarea și executarea sarcinilor. Ele ajută la formularea unor întrebări precum dacă robotul a ales obiectul potrivit sau dacă a încheiat efectiv pasul solicitat.

Împreună, aceste adnotări urmăresc să sprijine antrenarea care conectează un model de luare a deciziilor cu o politică de acțiune. Modelul de decizie selectează un subobiectiv, politica execută manipularea, iar starea rezultată informează decizia următoare. Acest feedback contează ori de câte ori un robot trebuie să recupereze după o încercare imperfectă sau să reacționeze la o scenă schimbată.

Cum se integrează această versiune în platforma de robotică a AGIBOT

Depozitul mai amplu AGIBOT WORLD 2026 descrie date din lumea reală colectate cu platforma G2 a companiei. Formatul documentat respectă convențiile LeRobot și include date despre episoade, metadate și fluxuri video separate de la camerele montate pe cap și la încheietura mâinii. Aceste informații le oferă context util dezvoltatorilor care corelează observațiile vizuale cu comportamentul înregistrat al robotului.

Pagina produsului G2 de la AGIBOT prezintă hardware-ul ca fiind destinat inteligenței întrupate și manipulării controlate prin forță, alături de capabilități interactive. Release 4 se ocupă de stratul de luare a deciziilor și de memoria sarcinilor, asociat acestor capabilități fizice. De asemenea, extinde infrastructura de date discutată în articolul anterior al Unite.AI despre platforma de robotică a AGIBOT.

Depozitul indică o licență Creative Commons Attribution–NonCommercial–ShareAlike 4.0. Condiția de utilizare necomercială reprezintă o distincție importantă pentru dezvoltatorii care analizează cum pot folosi datele publicate într-un produs.

Ce ar putea schimba raționamentul fizic

În domeniul ospitalității, al serviciilor la domiciliu și al operațiunilor de retail, atracția constă în posibilitatea ca un robot să urmărească atingerea unui rezultat în condiții schimbătoare. Pentru a readuce o masă la starea inițială sau a reaproviziona un raft, trebuie să verifice ce se află deja acolo, să-și amintească ce activități a încheiat și să recunoască momentul în care nu mai este necesară nicio acțiune. Astfel de judecăți devin tot mai importante pe măsură ce roboții trec de la demonstrații izolate la fluxuri de lucru complete.

Release 4 oferă material de antrenare pentru această direcție. În sine, nu demonstrează că un anumit model poate executa în mod fiabil aceste fluxuri de lucru în medii necunoscute. AGIBOT afirmă că datele au contribuit deja la dezvoltarea viitorului său cadru de agenți și a modelului său de bază de generație următoare; rezultatele privind performanța acestor sisteme rămân o chestiune separată.

Schimbarea utilă constă în orientarea antrenării roboților către relația dintre un obiectiv, situația actuală și consecințele acțiunilor anterioare. Cercetătorii pot explora această abordare prin proiectul AGIBOT WORLD și resursele de seturi de date asociate.