AGIBOT, Robotlara Bir Sonraki Adımda Ne Yapacaklarını Öğretmek İçin Fiziksel Akıl Yürütme Veri Kümesini Yayımladı

Bir robot bir şişeyi kusursuzca alabilir ama mini barı yeniden stoklarken yine de başarısız olabilir. Boş bir şişeyi bırakabilir, gerekenden fazla şişe ekleyebilir ya da tamamladığı bir adımı tekrarlayabilir. Eksik olan beceri, bir sonraki hareketi seçmeden önce durumun ne gerektirdiğine karar vermektir.

AGIBOT, bu açığı kapatmak için 22 Ekim’de AGIBOT WORLD 2026’nın 4. Sürümü olarak duyurulan Fiziksel Akıl Yürütme veri kümesini yayımladı. Bu sürüm; görev hedeflerini, değişen sahne koşullarını, yürütme geçmişini ve gerçek robot eylemlerini bir araya getiriyor. Temel fikir, aynı hedefe ulaşmak için farklı yolları kaydetmek ve böylece araştırmacılara, görev ilerlerken kararlarını koşullara uyarlayan robotları eğitebilecekleri veriler sunmak.

Tek Hedef, Birden Fazla Doğru Eylem Dizisi

4. Sürüm, görev tasarımındaki odağı zor hareketlerden zor kararlara kaydırıyor. AGIBOT, yalnızca sabit bir diziye ilişkin gösterimler toplamak yerine nesne miktarlarını, engelleri, kullanılabilir alanı ve görevin ilerleme durumunu değiştiriyor. Kullanıcının isteği aynı kalsa bile bu değişiklikler, daha önce doğru olan bir eylemi uygunsuz hâle getirebiliyor.

Mini bar örneğini ele alalım. Hedeflenen üç dolu şişeye ulaşmak için hangi şişelerin boş olduğunu belirlemek, zaten mevcut olan dolu şişeleri saymak ve hangilerinin çıkarılıp yerine yenilerinin konacağına karar vermek gerekir. Başarılı bir kavrama, işin yalnızca bir parçasıdır. Robotun ayrıca istenen son durumu temsil etmesi ve bunu mevcut durumla karşılaştırabilmesi gerekir.

Bir başka senaryoda kutunun arkasındaki bir anahtar alınmaya çalışılıyor. Yeterli alan varsa anahtarı doğrudan kavramak işe yarayabilir. Kutu erişimi engellediğinde, onu hareket ettirmek ön koşul hâline gelir. Çekmecelerde arama yapmak ise bir bellek sorunu doğurur: Tek başına kamera görüntüsü, sistemin hangi çekmeceleri zaten kontrol ettiğini gösteremez.

Bu örnekler, fiziksel yapay zekânın karşı karşıya olduğu pratik bir sorunu ortaya koyuyor. Bir uzmanın gözlemlenebilir hareketlerini taklit eden bir politika, bu hareketi uygun kılan bağlamdan yoksunsa yine de yanlış karar verebilir. Veri kümesinin amacı, ortak bir hedef çevresindeki koşulları değiştirerek bu bağımlılıkları eğitimde kullanılabilir hâle getirmektir.

Giderek Karmaşıklaşan Dokuz Akıl Yürütme Becerisi

AGIBOT bu sürümü dokuz beceri etrafında düzenliyor: nesneleri özelliklerine göre seçmek, bağlama göre seçim yapmak, bir manipülasyonun uygulanabilir olup olmadığını değerlendirmek, eylemlerin ön koşulları hakkında akıl yürütmek, bir hedefe yönelik arama yapmak, durumları ve miktarları izlemek, daha uzun eylem dizilerini planlamak, belleği korumak ve alt görevleri sıralamak.

Bu beceriler gündelik işlerde iç içe geçer. Yeniden stoklama; tanıma, sayma ve ilerlemeyi izlemeyi gerektirir. Bir nesneyi bulmak, arama stratejisini önceki denemelerin kaydıyla birleştirir. Daha uzun bir düzenleme işi, bu değerlendirmelerin birkaçını art arda gerektirebilir; her eylem de bir sonrakinin koşullarını değiştirir.

Veri kümesindeki görevler Kolay, Orta ve Zor düzeylerine ayrılıyor. Tekil seçim kararları daha basit düzeyde yer alırken miktar kısıtları ve ön koşullar karmaşıklığı artırıyor; daha uzun görevler ise birden fazla hedefi, belleği ve bağlamsal gereklilikleri bir araya getiriyor. Bu yapı, araştırmacıların becerileri tek tek incelemesine ve ardından birlikte ne kadar iyi çalıştıklarını sınamasına olanak tanıyor.

Yürütme sonuçları da etiketleniyor; bunlara nesne seçimi, yerleştirme ve gereken miktara ulaşılıp ulaşılmadığı dâhil. Sürümde hem başarılı hem de hatalı örnekler bulunuyor. Bu örnekler, sapmaları tanıma ve sonraki kararları ayarlama araştırmalarını destekliyor.

Talimatları Fiziksel Eylemlerle Birleştirmek

Teknik katkı, etiketlerin bir görevin farklı düzeylerini nasıl birbirine bağladığında yatıyor. Üst düzey bir talimat, genel hedefi belirtir. Görev aşamaları, alt görev bölümleri ve eylem adımları ise görevin yapısını ve ilerleyişini açıklar. Araştırmacılar bu ilişkilerden yararlanarak hangi alt hedefin etkin olduğunu ve sırada ne yapılması gerektiğini inceleyebilir.

Hareket düzeyinde AGIBOT’un Dense Prompt etiketleri; hedef nesneyi, manipülasyon bölgesini, iki kolun görevlerini, hareketi, kavrayıcının durumunu ve beklenen sonucu belirtir. Sınırlayıcı kutular, noktalar ve yörünge çizgileri, dili konumlara ve hareket yollarına bağlar. Böylece öğrenen bir sisteme, talimatın neye karşılık geldiği ve uygulanışının nasıl temsil edildiği konusunda daha açık yönlendirme sağlanır.

Şirket ayrıca hedefleri dikkat dağıtıcı unsurlardan ayırt etmek ve sonuçları kontrol etmek için başarı ve hasmane örnek bölümlerini de tanımlıyor. Burada hasmane örnekler, görevin yorumlanması ve yürütülmesiyle ilgilidir. Bu örnekler, robotun doğru nesneyi seçip seçmediği veya istenen adımı gerçekten tamamlayıp tamamlamadığı gibi soruların ele alınmasına yardımcı olur.

Bu etiketlerin birlikte, karar verme modelini bir eylem politikasıyla ilişkilendiren bir eğitimi desteklemesi amaçlanıyor. Karar modeli bir alt hedef seçer, politika manipülasyonu gerçekleştirir ve ortaya çıkan durum bir sonraki karara yön verir. Bir robotun kusurlu bir girişimin ardından toparlanması veya değişen bir sahneye tepki vermesi gerektiğinde bu geri bildirim önem taşır.

Bu Sürüm AGIBOT’un Robotik Platformunda Nasıl Bir Yere Sahip?

Daha kapsamlı AGIBOT WORLD 2026 deposu, şirketin G2 platformunda toplanan gerçek dünya verilerini tanımlıyor. Belgelenen biçim, bölüm verileri, üst veriler ve baş ile bilek kameralarından alınan ayrı video akışlarıyla LeRobot kurallarını izliyor. Bu bilgiler, görsel gözlemleri kaydedilmiş robot davranışlarıyla ilişkilendiren geliştiriciler için yararlı bir bağlam sunuyor.

AGIBOT’un G2 ürün sayfası, donanımı etkileşim özelliklerinin yanı sıra fiziksel yapay zekâ ve kuvvet kontrollü manipülasyon için konumlandırıyor. Release 4, bu fiziksel yetenekleri çevreleyen karar verme ve görev belleği katmanını ele alıyor. Ayrıca, Unite.AI’ın AGIBOT’un robotik platformuna ilişkin önceki haberinde ele alınan veri altyapısını da genişletiyor.

Depoda Creative Commons Attribution–NonCommercial–ShareAlike 4.0 lisansı listeleniyor. Ticari olmayan kullanım koşulu, yayımlanan verileri bir üründe nasıl kullanacağını değerlendiren geliştiriciler açısından önemli bir ayrım oluşturuyor.

Fiziksel Akıl Yürütme Neleri Değiştirebilir?

Konaklama, ev hizmetleri ve perakende operasyonları açısından cazip olan, değişen koşullarda belirli bir sonuca ulaşmak için çalışabilen bir robot. Bir masayı eski düzenine getirmek veya bir rafı yeniden doldurmak; orada hâlihazırda ne olduğunu kontrol etmeyi, tamamlanan işleri hatırlamayı ve başka bir işlem yapmanın gereksiz olduğunu fark etmeyi gerektiriyor. Robotlar tekil gösterimlerden kapsamlı iş akışlarına geçtikçe bu tür değerlendirmeler daha da önem kazanıyor.

Release 4, bu yöndeki çalışmalar için eğitim materyali sağlıyor. Ancak tek başına, belirli bir modelin bu iş akışlarını alışılmadık ortamlarda güvenilir biçimde yerine getirebildiğini göstermiyor. AGIBOT, verilerin yakında kullanıma sunulacak ajan çerçevesini ve yeni nesil temel modelini şimdiden desteklediğini belirtiyor; bu sistemlerin performans sonuçları ise ayrı bir konu olmaya devam ediyor.

Önemli değişim, robotları bir hedef, mevcut durum ve önceki eylemlerin sonuçları arasındaki ilişki konusunda eğitmeye yönelmek. Araştırmacılar bu yaklaşımı AGIBOT WORLD projesi ve bağlantılı veri kümesi kaynakları üzerinden inceleyebilir.