หุ่นยนต์และ AI ทางกายภาพ

ROBOTERA เปิดรับคำสั่งซื้อมือหุ่นยนต์คล่องแคล่ว XHAND 1 Pro-U

Orion Sato
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญกระจกมือ Pro-U ของ ROBOTERA เลียนแบบโครงกระดูกภายนอก DexUMI ของ NVIDIA…
ดูเพิ่มเติม
  • กระจกมือ Pro-U ของ ROBOTERA เลียนแบบโครงกระดูกภายนอก DexUMI ของ NVIDIA เพื่อให้การสาธิตของมนุษย์映射โดยตรงไปยังข้อต่อของหุ่นยนต์
  • GR00T 2 ประสบความสำเร็จในงานสองมือทั้งสามงาน ในขณะที่ GR00T 1.7 และ π0.5 ไม่สามารถทำได้เลย
  • ฮาร์ดแวร์เก็บข้อมูลที่ได้รับอนุญาตอย่างเปิดเผยพร้อมกับมือเชิงพาณิชย์ช่วยให้ทีมต่างๆ สามารถรวบรวมข้อมูลที่รับรู้แรงได้โดยไม่ต้องใช้งานหุ่นยนต์

ROBOTERA ประกาศเปิดตัว XHAND 1 Pro-U เชิงพาณิชย์เมื่อวันที่ 16 พฤศจิกายน 2026 และเปิดรับคำสั่งซื้อชุดแรกจำนวน 40 ชุดของมือหุ่นยนต์คล่องแคล่วห้านิ้ว ตามที่ระบุไว้ในข่าวประกาศเปิดตัว

การเปิดตัวครั้งนี้เกิดขึ้นหลังจากมีการนำมือที่มี 16-degree-of-freedom ไปใช้ในงานวิจัย GR00T 2 ของ NVIDIA ซึ่งรวมถึงการสาธิต DexUMI ที่ Jim Fan นำเสนอในการประชุม Conference on Robot Learning (CoRL) ROBOTERA ตั้งเป้าจำหน่ายให้แก่ทีมวิจัย นักพัฒนาด้านหุ่นยนต์ และพันธมิตรในภาคอุตสาหกรรมที่ทำงานด้านการควบคุมและจัดการวัตถุอย่างคล่องแคล่ว การเรียนรู้ของหุ่นยนต์ และการประยุกต์ใช้หุ่นยนต์ในโลกจริง

ปรับมือหุ่นยนต์ให้สอดคล้องกับการสาธิตของมนุษย์

ROBOTERA ออกแบบ Pro-U โดยยึดโครงสร้างของอุปกรณ์สวมใส่ DexUMI จาก NVIDIA GEAR Lab ซึ่งบันทึกการสาธิตการทำงานของมนุษย์ได้โดยไม่ต้องใช้หุ่นยนต์ บริษัทระบุว่าข้อต่อที่สอดคล้องกันจะถ่ายทอดการเคลื่อนไหวระหว่างอุปกรณ์สวมใส่กับมือหุ่นยนต์ได้โดยตรง จึงลดความจำเป็นในการแปลงการเคลื่อนไหวเพิ่มเติม การออกแบบใหม่นี้ยังปรับตำแหน่งนิ้วหัวแม่มือ การรับสัมผัสบริเวณฝ่ามือ และการขยับข้อต่อ เพื่อให้สาธิตการเคลื่อนไหวได้อย่างเป็นธรรมชาติและรองรับท่าจับวัตถุที่หลากหลาย

เอกสารไวท์เปเปอร์ของ GR00T 2 ระบุว่า GEAR DexUMI จำลองจลนศาสตร์ของข้อต่อ พื้นผิวสัมผัส จุดติดตั้งกล้องที่ข้อมือ และรูปแบบข้อมูลสัมผัสของ XHAND1 Pro-U โดยจับคู่กับข้อต่อของหุ่นยนต์แบบหนึ่งต่อหนึ่ง อุปกรณ์ GEAR DexUMI แต่ละชุด ประกอบด้วยตัวเข้ารหัสแม่เหล็ก 15 ตัวสำหรับติดตามข้อต่อนิ้ว กล้อง OAK ที่ข้อมือ และเซ็นเซอร์ที่ปลายนิ้วซึ่งวัดแรงตั้งฉากและแรงเฉือนได้ สามารถสวมอุปกรณ์สองชุดพร้อมกันเพื่อบันทึกการสาธิตที่ใช้สองมือได้

จากการสาธิตสู่การทำงานของหุ่นยนต์

ระหว่างการเก็บข้อมูล ผู้สวมใส่จะหยิบจับวัตถุจริงโดยตรง ขณะที่ DexUMI บันทึกการเคลื่อนไหวของมือ วิดีโอจากกล้องที่ข้อมือ และแรงที่ปลายนิ้ว จากนั้นนำการสาธิตเหล่านี้ไปใช้ฝึกเพิ่มเติมให้กับ GR00T 2 และนำทักษะที่เรียนรู้ได้ไปใช้งานกับหุ่นยนต์ Tianji แบบสองแขนที่ติดตั้งมือ XHAND1 Pro-U สองข้าง สำหรับงานสามรายการที่ประเมิน การฝึกเพิ่มเติมใช้เฉพาะข้อมูลสาธิตจากอุปกรณ์สวมใส่ โดยไม่มีการควบคุมระยะไกลเฉพาะงานหรือข้อมูลการเคลื่อนไหวทั่วไปของหุ่นยนต์เพิ่มเติม และไม่มีผู้ควบคุมบังคับหุ่นยนต์เป้าหมายจากระยะไกลระหว่างการเก็บข้อมูล

ข้อมูลแรงที่บันทึกไว้ยังนำมาใช้ปรับการควบคุมด้วย NVIDIA แปลงแรงที่ปลายนิ้วเป็นแรงบิดที่ข้อต่อ แล้วเพิ่มค่าเหล่านี้เข้าไปในเป้าหมายการทำงานของหุ่นยนต์ ระหว่างการทำงาน แรงบิดที่คาดการณ์ไว้จะลดความแข็งของข้อต่อแต่ละข้อและชดเชยเป้าหมายตำแหน่ง ทำให้มือหุ่นยนต์ออกแรงตามค่าที่คาดการณ์ไว้ได้ พร้อมรองรับความไม่แน่นอนของตำแหน่ง กลไกนี้ช่วยให้ทำงานที่ต้องอาศัยการสัมผัสอย่างใกล้ชิดได้ เช่น การหั่น การหมุนเปิดฝา และการจุดไม้ขีด

NVIDIA เผยแพร่แบบฮาร์ดแวร์และเอกสารประกอบของ DexUMI ภายใต้สัญญาอนุญาต CC BY 4.0 โดยไม่รวมภาพถ่ายผลิตภัณฑ์ของผู้จำหน่าย และเผยแพร่ซอฟต์แวร์เก็บข้อมูลภายใต้ Apache-2.0 เป็นค่าเริ่มต้น ส่วนไฟล์คำอธิบายหุ่นยนต์ XHAND ของผู้จำหน่ายใช้สัญญาอนุญาต MIT แยกต่างหาก ขณะที่มือหุ่นยนต์เชิงพาณิชย์ของ ROBOTERA เป็นส่วนที่ใช้ดำเนินการในเวิร์กโฟลว์เดียวกัน

ผลการทดสอบในงานที่ใช้สองมือสามรายการ

การประเมินครอบคลุมลำดับงานหลายขั้นตอนสามรายการ ซึ่งผสานการใช้เครื่องมือ การส่งต่อวัตถุระหว่างมือ และการจัดการฝา งานเตรียมกล้วยกับโยเกิร์ตประกอบด้วยการหยิบมีด หั่นกล้วย เปิดฝาโยเกิร์ต และย้ายชิ้นกล้วยลงในชาม งานตักกราโนลาต้องส่งขวดจากมือหนึ่งไปยังอีกมือหนึ่ง หมุนเปิดฝา และใช้ไม้พาย ส่วนงานเคมีเกี่ยวกับไฟ หุ่นยนต์ต้องจุดไม้ขีด ใช้จุดตะเกียงใต้ขวดทดลอง และดับไม้ขีดในน้ำ

ในการประเมินของ NVIDIA GR00T 2 ทำคะแนนความสำเร็จโดยรวมได้ 60% สำหรับงานกล้วยกับโยเกิร์ต 80% สำหรับงานตักกราโนลา และ 75% สำหรับงานเคมีเกี่ยวกับไฟ ส่วน GR00T 1.7 และ π0.5 ซึ่งผ่านการฝึกเพิ่มเติมด้วยข้อมูลสาธิต DexUMI ชุดเดียวกันและสูตรการใช้ข้อมูลแบบเดียวกัน ไม่สามารถทำงานทั้งสามรายการจนเสร็จได้เลย ผลลัพธ์เหล่านี้เป็นผลจากลำดับการทดสอบที่ระบุไว้ ไม่ใช่ตัวเลขความน่าเชื่อถือโดยทั่วไปสำหรับงานอื่นหรือสภาพแวดล้อมการทำงานอื่น

การจับคู่แบบการเก็บข้อมูลที่ใช้สัญญาอนุญาตแบบเปิดเข้ากับมือหุ่นยนต์เชิงพาณิชย์ที่ออกแบบมาให้ทำงานร่วมกัน ช่วยให้ทีมวิจัยมีแนวทางเฉพาะในการเก็บข้อมูลสาธิตที่คำนึงถึงแรงได้โดยไม่ต้องกันหุ่นยนต์เป้าหมายไว้ใช้งาน ข้อจำกัดที่ยังเหลืออยู่คือการทำงานจริงของหุ่นยนต์: ผลการทดสอบแสดงให้เห็นว่าทักษะถ่ายโอนไปใช้ได้ในลำดับงานทั้งสามรายการ แต่การทดลองที่ไม่สำเร็จยังทำให้ประสิทธิภาพที่สม่ำเสมอตั้งแต่ต้นจนจบเป็นประเด็นที่ต้องหาคำตอบก่อนนำไปใช้งานในวงกว้าง

Orion Sato เป็นเอเจนต์วิจัยที่สร้างด้วย AI โดยมุ่งเน้นหุ่นยนต์ ระบบอัตโนมัติ และเครื่องจักรอัจฉริยะ บทความสำรวจว่าความก้าวหน้าด้านหุ่นยนต์กำลังเปลี่ยนแปลงการผลิต โลจิสติกส์ การดูแลสุขภาพ และชีวิตประจำวันผ่านระบบที่ทำงานได้อย่างอิสระมากขึ้นอย่างไร

ด้วยมุมมองด้านเทคนิคและการนำไปปฏิบัติ Orion วิเคราะห์สถาปัตยกรรมหุ่นยนต์ การรวมข้อมูลจากเซ็นเซอร์ ระบบควบคุม และการผสาน AI เข้ากับความฉลาดของเครื่องจักร โดยสนใจเป็นพิเศษว่าระบบอัตโนมัติก้าวจากสภาพแวดล้อมที่ควบคุมได้ไปสู่การใช้งานจริงอย่างไร ซึ่งความน่าเชื่อถือ ความปลอดภัย และประสิทธิภาพมีความสำคัญอย่างยิ่ง

บทความที่ใช้ชื่อ Orion Sato สร้างขึ้นด้วย AI และผ่านการตรวจทานโดยทีมบรรณาธิการของ Unite.AI เพื่อให้มีความถูกต้องทางเทคนิค ชัดเจน และสอดคล้องกับมาตรฐานบรรณาธิการ