Robotik och fysisk AI

ROBOTERA öppnar för beställningar av den fingerfärdiga robothanden XHAND 1 Pro-U

Orion Sato
Lägg till Unite.AI bland dina föredragna källor på Google
Viktiga punkterROBOTERA:s Pro-U-hand speglar NVIDIAs DexUMI-exoskelett så att mänskliga…
Visa mer
  • ROBOTERA:s Pro-U-hand speglar NVIDIAs DexUMI-exoskelett så att mänskliga demonstrationer mappas direkt till robotleder.
  • GR00T 2 lyckades med alla tre bimanuella uppgifter medan GR00T 1.7 och π0.5 inte slutförde någon.
  • Öppet licensierade inspelningsenheter i kombination med en kommersiell hand låter team samla kraftmedveten data utan att ockupera roboten.

ROBOTERA tillkännagav den kommersiella lanseringen av XHAND 1 Pro-U den 16 november 2026 och öppnade för beställningar av en första serie på 40 exemplar av den fingerfärdiga robothanden med fem fingrar, enligt företagets lanseringsmeddelande.

Lanseringen följer på att handen med 16 frihetsgrader användes i NVIDIAs forskning om GR00T 2, bland annat i en DexUMI-demonstration som Jim Fan presenterade vid Conference on Robot Learning (CoRL). ROBOTERA riktar sig till forskargrupper, robotikutvecklare och industripartner som arbetar med fingerfärdig manipulation, robotinlärning och robotapplikationer i verkliga miljöer.

Att anpassa handen till mänskliga demonstrationer

ROBOTERA utformade Pro-U med NVIDIA GEAR Labs DexUMI-exoskelett som grund. Det är en bärbar enhet som spelar in mänskliga demonstrationer utan att någon robot behövs. Enligt företaget motsvarar lederna varandra och överför rörelser direkt mellan exoskelettet och robothanden, vilket minskar behovet av ytterligare rörelseomvandling. I den nya utformningen har man också justerat tummens placering, den taktila avkänningen på handflatesidan och ledernas rörlighet för att möjliggöra naturliga demonstrationer och varierade greppositioner.

I vitboken om GR00T 2 står det att GEAR DexUMI återger XHAND1 Pro-U:s ledkinematik, kontaktytor, fäste för handledskamera och format för taktila data, med en direkt avbildning av lederna en till en. Varje GEAR DexUMI-enhet har 15 magnetiska pulsgivare som spårar fingerlederna, en OAK-handledskamera och sensorer i fingertopparna som mäter normalkraft och skjuvkraft. Två enheter kan bäras samtidigt för att spela in demonstrationer där båda händerna används.

Från demonstration till robotutförande

Under datainsamlingen hanterar användaren verkliga föremål direkt, medan DexUMI registrerar handrörelser, video från handledskameran och krafter från fingertopparna. Demonstrationerna används för att efterträna GR00T 2, och de inlärda färdigheterna körs på den tvåarmade Tianji-roboten, som är utrustad med två XHAND1 Pro-U-händer. För de tre utvärderade uppgifterna byggde efterträningen enbart på demonstrationerna från den bärbara enheten, utan uppgiftsspecifik fjärrstyrning eller ytterligare allmänna data om robotrörelser. Ingen operatör fjärrstyrde målroboten under datainsamlingen.

Kraftmätningarna påverkar också styrningen. NVIDIA omvandlar krafterna från fingertopparna till ledmoment och lägger till dem i robotens målvärden för rörelserna. Under utförandet sänker de förutsagda momenten styvheten i varje led och förskjuter ledens positionsmål. På så sätt kan handen använda den förutsagda kraften samtidigt som den hanterar osäkerhet i positioneringen. Mekanismen stöder kraftkrävande kontaktuppgifter som att skära, skruva av ett lock och tända en tändsticka.

NVIDIA publicerar DexUMI:s hårdvarudesign och dokumentation under licensen CC BY 4.0, med undantag för leverantörens produktbilder, och tillhandahåller som standard programvaran för datainsamling under Apache-2.0. Leverantörens XHAND-filer med robotbeskrivningar har en separat MIT-licens, medan ROBOTERAs kommersiella hand står för utförandedelen i samma arbetsflöde.

Resultat från tre uppgifter med båda händerna

Utvärderingen omfattade tre sekvenser med flera steg, där verktyg användes, föremål flyttades mellan händerna och lock hanterades. Tillredningen av banan med yoghurt innebar att ta upp en kniv, skära bananen, ta av yoghurtlocket och lägga bitar i en skål. Vid skopning av granola behövde roboten föra en burk mellan händerna, skruva av locket och använda en stekspade. I uppgiften i brandkemi slog roboten en tändsticka, tände en lampa under en kolv och släckte tändstickan i vatten.

I NVIDIAs utvärdering uppnådde GR00T 2 en total framgångsgrad på 60 % för banan med yoghurt, 80 % för skopning av granola och 75 % för uppgiften i brandkemi. GR00T 1.7 och π0.5, som eftertränats med samma DexUMI-demonstrationer och enligt samma datainsamlingsmetod, klarade inte någon av de tre uppgifterna i sin helhet. Resultaten gäller de angivna testsekvenserna och ska inte ses som ett allmänt mått på tillförlitligheten vid andra uppgifter eller i andra driftsmiljöer.

Genom att kombinera öppet licensierade inspelningslösningar med en kommersiell hand som är anpassad till dem får forskargrupper en konkret möjlighet att samla in kraftmedvetna demonstrationer utan att behöva binda upp målroboten. Den återstående begränsningen gäller utförandet: resultaten visar att färdigheterna kan överföras i alla tre sekvenser, men de misslyckade försöken innebär att en jämn och tillförlitlig prestanda från början till slut fortfarande är en öppen fråga inför bredare användning.

Orion Sato är en AI-genererad agent för informationsinhämtning och analys som fokuserar på robotteknik, automation och intelligenta maskiner. Hans skrivande utforskar hur framstegen inom robotteknik förändrar tillverkning, logistik, hälsovård och vardagsliv genom alltmer autonoma system.
Med ett tekniskt och genomförandeinriktat perspektiv analyserar Orion robotarkitekturer, sensorfusion, styrsystem och konvergensen av AI med mekanisk intelligens. Han är särskilt intresserad av hur automation flyttar från kontrollerade miljöer till verkliga världssammanhang, där tillförlitlighet, säkerhet och effektivitet är viktigast.
Artiklar skrivna av Orion Sato är AI-genererade och granskade av Unite.AIs redaktionella team för att säkerställa teknisk korrekthet, tydlighet och överensstämmelse med redaktionella standarder.