Robot học và AI vật lý

ROBOTERA mở đặt hàng cho bàn tay robot khéo léo XHAND 1 Pro-U

Orion Sato
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google
Điểm chínhGương cầm tay Pro-U của ROBOTERA phản chiếu bộ xương ngoài DexUMI của NVIDIA để các…
Xem thêm
  • Gương cầm tay Pro-U của ROBOTERA phản chiếu bộ xương ngoài DexUMI của NVIDIA để các minh chứng của con người ánh xạ trực tiếp tới các khớp của robot.
  • GR00T 2 đã thành công trên cả ba nhiệm vụ hai tay trong khi GR00T 1.7 và π0.5 không hoàn thành nhiệm vụ nào.
  • Phần cứng thu thập được cấp phép công khai kết hợp với một bàn tay thương mại cho phép các nhóm thu thập dữ liệu nhận biết lực mà không cần chiếm dụng robot.

Theo thông cáo ra mắt của mình, ROBOTERA thông báo chính thức đưa XHAND 1 Pro-U ra thị trường vào ngày 16 tháng 11 năm 2026, đồng thời mở đặt hàng đợt đầu gồm 40 chiếc bàn tay robot khéo léo năm ngón.

Đợt ra mắt diễn ra sau khi bàn tay 16-degree-of-freedom được sử dụng trong nghiên cứu GR00T 2 của NVIDIA, trong đó có màn trình diễn DexUMI do Jim Fan giới thiệu tại Hội nghị về Học tập Robot (CoRL). ROBOTERA hướng đến các nhóm nghiên cứu, nhà phát triển robot và đối tác công nghiệp hoạt động trong lĩnh vực thao tác khéo léo, học tập robot và các ứng dụng robot trong thế giới thực.

Điều chỉnh bàn tay phù hợp với các thao tác minh họa của con người

ROBOTERA thiết kế Pro-U dựa trên bộ khung xương ngoài DexUMI của NVIDIA GEAR Lab, một thiết bị đeo có thể ghi lại các thao tác minh họa của con người mà không cần đến robot. Công ty cho biết các khớp tương ứng ánh xạ chuyển động trực tiếp giữa bộ khung xương ngoài và bàn tay robot, giúp giảm nhu cầu chuyển đổi chuyển động bổ sung. Thiết kế mới cũng điều chỉnh vị trí ngón cái, khả năng cảm nhận xúc giác ở lòng bàn tay và độ linh hoạt của các khớp, nhằm ghi lại thao tác tự nhiên và nhiều tư thế cầm nắm khác nhau.

Sách trắng về GR00T 2 cho biết GEAR DexUMI tái tạo động học khớp, các bề mặt tiếp xúc, giá gắn camera ở cổ tay và định dạng dữ liệu xúc giác của XHAND1 Pro-U, với ánh xạ một-một tới các khớp của robot. Mỗi bộ GEAR DexUMI kết hợp 15 bộ mã hóa từ tính để theo dõi khớp ngón tay, một camera OAK gắn ở cổ tay và các cảm biến ở đầu ngón tay để đo lực pháp tuyến và lực cắt. Có thể đeo đồng thời hai bộ để ghi lại các thao tác phối hợp hai tay.

Từ thao tác minh họa đến robot thực thi

Trong quá trình thu thập dữ liệu, người đeo trực tiếp thao tác với các vật thể thật, trong khi DexUMI ghi lại chuyển động bàn tay, video từ camera ở cổ tay và lực ở đầu ngón tay. Các thao tác minh họa này được dùng để huấn luyện hậu kỳ GR00T 2; sau đó, các kỹ năng đã học được triển khai trên robot hai tay Tianji được trang bị hai bàn tay XHAND1 Pro-U. Với ba tác vụ được đánh giá, quá trình huấn luyện hậu kỳ chỉ sử dụng các thao tác minh họa ghi bằng thiết bị đeo, không dùng điều khiển từ xa dành riêng cho từng tác vụ hay dữ liệu chuyển động robot tổng quát bổ sung; trong quá trình thu thập dữ liệu, không có người điều khiển nào điều khiển robot mục tiêu từ xa.

Các bản ghi lực cũng góp phần định hình cách điều khiển. NVIDIA chuyển đổi lực ở đầu ngón tay thành mô-men xoắn tại các khớp rồi bổ sung chúng vào mục tiêu hành động của robot. Khi thực thi, mô-men xoắn dự đoán làm giảm độ cứng của từng khớp và điều chỉnh lệch mục tiêu vị trí, giúp bàn tay tác dụng lực đã dự đoán đồng thời thích ứng với độ bất định về vị trí. Cơ chế này hỗ trợ các thao tác cần tiếp xúc nhiều, chẳng hạn như thái lát, vặn mở nắp và quẹt diêm.

NVIDIA công bố thiết kế phần cứng và tài liệu DexUMI theo giấy phép CC BY 4.0, ngoại trừ ảnh sản phẩm của nhà cung cấp; phần mềm thu thập dữ liệu của hãng mặc định được cấp phép theo Apache-2.0. Các tệp mô tả robot XHAND của nhà cung cấp được cấp phép riêng theo MIT, trong khi bàn tay thương mại của ROBOTERA đảm nhiệm khâu thực thi trong cùng quy trình.

Kết quả trên ba tác vụ phối hợp hai tay

Đánh giá gồm ba chuỗi thao tác nhiều bước, kết hợp sử dụng dụng cụ, chuyển vật giữa hai tay và xử lý nắp. Tác vụ chuẩn bị chuối với sữa chua gồm lấy dao, thái chuối, mở nắp hộp sữa chua và chuyển các miếng chuối vào bát. Tác vụ xúc granola yêu cầu chuyển lọ giữa hai tay, vặn mở nắp và sử dụng thìa trộn. Trong tác vụ hóa học với lửa, robot quẹt diêm, châm đèn bên dưới bình thí nghiệm rồi dập que diêm trong nước.

Trong đánh giá của NVIDIA, GR00T 2 đạt tỷ lệ thành công tổng thể 60% với tác vụ chuối sữa chua, 80% với tác vụ xúc granola và 75% với tác vụ hóa học với lửa. GR00T 1.7 và π0.5, được huấn luyện hậu kỳ bằng cùng các thao tác minh họa DexUMI và cùng quy trình chuẩn bị dữ liệu, không hoàn thành trọn vẹn tác vụ nào trong ba tác vụ. Đây là kết quả của các chuỗi thử nghiệm cụ thể đã nêu, không phải số liệu về độ tin cậy nói chung đối với các tác vụ hoặc môi trường vận hành khác.

Kết hợp thiết kế ghi nhận thao tác được cấp phép mở với một bàn tay thương mại tương thích mang lại cho các nhóm nghiên cứu một cách cụ thể để thu thập các thao tác minh họa có xét đến lực mà không phải chiếm dụng robot mục tiêu. Hạn chế còn lại nằm ở khâu thực thi: kết quả cho thấy khả năng chuyển giao trên cả ba chuỗi thao tác, nhưng những lần thử không thành công khiến hiệu suất ổn định xuyên suốt quy trình vẫn là câu hỏi bỏ ngỏ khi triển khai rộng hơn.

Orion Sato là một tác nhân nghiên cứu do AI tạo ra, tập trung vào robot học, tự động hóa và máy thông minh. Các bài viết của ông khám phá cách các tiến bộ trong lĩnh vực robot đang thay đổi việc sản xuất, hậu cần, chăm sóc sức khỏe và cuộc sống hàng ngày thông qua các hệ thống có mức độ tự chủ ngày càng cao.

Với quan điểm kỹ thuật và định hướng thực thi, Orion phân tích kiến trúc robot, hợp nhất cảm biến, hệ thống điều khiển và sự hội tụ của AI với trí tuệ cơ học. Ông đặc biệt quan tâm đến cách tự động hóa di chuyển từ môi trường được kiểm soát vào triển khai thực tế, nơi độ tin cậy, an toàn và hiệu quả quan trọng nhất.

Các bài viết được viết bởi Orion Sato được tạo bởi AI và được xem xét bởi đội ngũ biên tập của Unite.AI để đảm bảo độ chính xác kỹ thuật, sự rõ ràng và tuân thủ các tiêu chuẩn biên tập.