Courtesy of InterestingEngineering

Framework Baru Memudahkan Robot Humanoid Manipulasi Objek dengan Lebih Cerdas

Membantu robot humanoid dalam memilih tindakan yang tepat dan beradaptasi di lingkungan baru dengan kebutuhan data pelatihan yang jauh lebih sedikit, sehingga memperluas kemampuan robot dalam manipulasi objek dan meningkatkan kegunaannya di berbagai bidang.

29 Nov 2025, 22.15 WIB

262 dibaca

Ikhtisar 15 Detik

Kerangka RGMP meningkatkan kemampuan robot humanoid dalam memanipulasi objek dengan lebih baik.
Robot dapat menyelesaikan tugas baru dengan efisiensi data yang lebih tinggi dibandingkan model saat ini.
Penelitian ini berpotensi mengubah cara robot digunakan dalam berbagai tugas di lingkungan dinamis.

Wuhan, Cina - Para peneliti di Universitas Wuhan mengembangkan framework baru bernama RGMP yang bertujuan untuk membantu robot humanoid dalam manipulasi objek agar lebih fleksibel dan efisien. Robot ini bisa menghadapi berbagai bentuk dan kondisi objek yang berubah dibandingkan robot sebelumnya yang hanya bisa melakukan tugas yang sudah dipelajari secara spesifik.

RGMP terdiri dari dua komponen utama, yaitu Geometric-Prior Skill Selector yang membantu robot memilih keterampilan tepat berdasarkan bentuk dan posisi objek, serta Adaptive Recursive Gaussian Network yang memandu robot melakukan gerakan langkah demi langkah dengan lebih hemat data pelatihan.

Dengan menggunakan RGMP, robot mampu melakukan tugas yang belum pernah dipelajari sebelumnya dengan tingkat keberhasilan mencapai 87%. Selain itu, framework ini juga 5 kali lebih efisien dalam pemakaian data dibandingkan metode model pembelajaran yang saat ini menjadi standar di robotika.

Peningkatan ini membuka peluang baru bagi penggunaan robot di berbagai bidang, mulai dari pekerjaan rumah tangga seperti membersihkan dan memasak hingga tugas industri di pabrik dan restoran. Robot akan menjadi lebih adaptif tanpa perlu pelatihan yang membutuhkan ribuan contoh.

Ke depan, tim pengembang berencana meningkatkan kemampuan RGMP agar robot bisa belajar tugas baru dengan sedikit atau tanpa bantuan manusia dan secara otomatis mengubah gerakannya sesuai objek baru. Ini akan mengubah cara kita memanfaatkan teknologi robot di lingkungan yang dinamis dan kompleks.

Referensi:
[1] https://interestingengineering.com/ai-robotics/chinese-model-humanoid-robots-tasks

Analisis Ahli

Rodney Brooks

"Integrasi pendekatan geometris dan model prediksi adaptif adalah arah yang tepat untuk meningkatkan kemampuan robot menangani dinamika dunia nyata tanpa membutuhkan dataset yang sangat besar."

Oussama Khatib

"Mengurangi kebutuhan pelatihan sambil meningkatkan keberhasilan task menjanjikan revolusi dalam robotika praktis, khususnya dalam interaksi manusia-robot yang lebih natural dan fleksibel."

Analisis Kami

"Framework RGMP merepresentasikan lompatan signifikan dalam robotika humanoid, terutama dalam efisiensi belajar dan adaptasi. Jika pengembangan lebih lanjut berhasil, ini bisa menjadi titik balik dalam bagaimana robot digunakan secara luas dan ekonomis di lingkungan nyata."

Prediksi Kami

Ke depan, robot humanoid akan mampu belajar dan beradaptasi dengan tugas baru secara mandiri dan efisien, yang akan meningkatkan penerapan robot dalam kehidupan sehari-hari seperti pekerjaan rumah, manufaktur, dan layanan publik tanpa perlu pelatihan ulang yang ekstensif.

Pertanyaan Terkait

Apa itu kerangka RGMP yang dikembangkan oleh tim peneliti dari Wuhan University?

Kerangka RGMP adalah pendekatan baru untuk membantu robot humanoid dalam memanipulasi objek dengan lebih mudah dan efisien.

Apa dua komponen utama dari kerangka RGMP?

Dua komponen utama dari kerangka RGMP adalah Geometric-Prior Skill Selector (GSS) dan Adaptive Recursive Gaussian Network (ARGN).

Bagaimana Geometric-Prior Skill Selector (GSS) membantu robot?

GSS membantu robot menentukan keterampilan dan alat yang paling sesuai untuk menyelesaikan suatu tugas dengan menganalisis bentuk, ukuran, dan orientasi objek.

Apa hasil pengujian yang dicapai oleh robot yang menggunakan kerangka RGMP?

Robot yang menggunakan kerangka RGMP mencapai tingkat keberhasilan 87% dalam menyelesaikan tugas baru yang belum pernah mereka lakukan sebelumnya.

Apa rencana tim peneliti untuk pengembangan lebih lanjut dari RGMP?

Tim peneliti berencana untuk memperluas RGMP agar robot dapat belajar tugas baru dengan hampir tanpa pengajaran manusia.