TLDR
RGMP meningkatkan manipulasi robot humanoid dengan menggabungkan penalaran geometris dan pembelajaran efisien. Kerangka kerja ini memungkinkan robot untuk bekerja secara efektif dengan lebih sedikit data pelatihan. Hasil penelitian menunjukkan bahwa RGMP dapat meningkatkan akurasi dan kemampuan adaptasi robot dalam lingkungan dan objek yang tidak terduga. Robot humanoid saat ini memiliki keterbatasan dalam menangani berbagai objek secara akurat di lingkungan yang berbeda. Kebanyakan model pembelajaran mesin membutuhkan dataset besar dan kurang memahami aspek geometris serta konteks objek sehingga sulit untuk beradaptasi. Para peneliti dari Wuhan University memperkenalkan sebuah framework baru bernama RGMP yang bertujuan mengatasi masalah ini dengan menggabungkan pemahaman bentuk objek dan teknik pembelajaran yang efisien.RGMP terdiri dari dua komponen utama, yaitu Geometric-prior Skill Selector (GSS) yang membantu memilih aksi yang tepat berdasarkan bentuk objek dan kebutuhan tugas, serta Adaptive Recursive Gaussian Network (ARGN) yang menyimpan dan memperbarui memori spasial untuk meningkatkan pembelajaran dari data yang terbatas. Dengan menggunakan pendekatan ini, robot dapat belajar lebih cepat dan lebih baik dalam melakukan berbagai tugas manipulasi tangan yang kompleks.Pengujian RGMP dilakukan pada dua jenis robot, yaitu robot humanoid dan robot dual-arm desktop, menggunakan dataset 120 demonstrasi. Hasilnya, RGMP mampu mencapai akurasi generalisasi hingga 87 persen dan menggunakan data lima kali lebih sedikit dibanding metode diffusion policy. Selain itu, RGMP menunjukkan peningkatan dalam pemilihan keterampilan yang tepat hingga 25 persen dan akurasi eksekusi yang lebih baik pada objek dan lingkungan yang belum pernah dilihat sebelumnya.Keunggulan utama RGMP adalah kemampuannya untuk menghubungkan keterampilan manipulasi dengan konteks objek dan memecah gerakan 6-DoF menjadi komponen Gaussian, sehingga lebih efisien dan mudah digeneralisasi. Hal ini menunjukkan bahwa menggabungkan simbolik penalaran dengan pembelajaran mesin membawa kemampuan adaptasi yang lebih baik bagi robot di lingkungan yang tidak dikenal.Penelitian lebih lanjut direncanakan untuk membuat robot mampu menginferensi aksi pada objek baru hanya dari satu contoh, yang dapat membuka jalan bagi pengembangan sistem humanoid yang lebih cerdas, adaptif, dan mampu beroperasi secara mandiri di berbagai situasi dan lingkungan.
