Mengapa Robot Gagal Menuang: Solusi AI Dua Tahap untuk Menggenggam Sesuai Tugas
We compile, generate and translate using Artificial Intelligence from the below given source. Macro Micro News is responsible for its editorial publication.
Manipulasi robotik selama ini menghadapi masalah disconnect yang spesifik. Sistem tradisional bisa dengan mudah menemukan banyak cara untuk memegang objek hanya berdasarkan geometri. Namun, mereka sering gagal memilih posisi yang memungkinkan tindakan lanjutan berhasil. Bayangkan sebuah robot memegang teko dengan sempurna tapi tidak bisa menuang karena salah orientasi pada gagangnya. Kerangka kerja dua tahap baru mengatasi hal ini dengan memisahkan generasi cengkeraman dari penalaran semantik. Pendekatan ini secara signifikan meningkatkan akurasi pemilihan berbasis kondisi tugas.
Arsitektur ini bekerja dalam dua fase terpisah untuk menyelesaikan masalah tersebut. Pada Tahap 1, Model Bahasa dan Visual mengidentifikasi wilayah relevan terhadap tugas dalam pengamatan RGB-D. Hal ini mengarahkan segmentasi dan generasi kandidat cengkeraman 6-DoF yang masuk akal melalui GraspNet. Hasilnya adalah serangkaian proposal yang valid secara geometris dan terkait dengan area fungsional tertentu. Tahap 2 kemudian menggunakan kritikus VLM terstruktur untuk memberi peringkat kandidat yang berlandaskan konteks ini. Model mengevaluasi kompatibilitas dengan tugas yang dimaksud alih-alih hanya mengandalkan skor geometri. Pendekatan terbatas ini mencegah model menghasilkan pose tanpa batas. Sebaliknya, ia memilih dari kumpulan ID kandidat yang telah diverifikasi.
Evaluasi ekstensif melalui 60 uji coba fisik sistem penuh menunjukkan tingkat keberhasilan tugas keseluruhan sebesar 63,3%. Pengujian mencakup tugas seperti pengambilan dan penempatan acak, pemukulan palu, dan penuangan. Eksperimen replay terkontrol mengungkapkan variasi kinerja yang signifikan tergantung pada pilihan VLM. Gemini 3 Flash Preview menjadi performa terbaik untuk lokalisasi Tahap 1. Ia mencapai akurasi 95,0% dengan latensi terendah. Untuk peringkat Tahap 2, GPT-5.6 Sol menunjukkan keandalan yang unggul. Ia mengamankan tingkat validitas tugas Top-1 sebesar 92,9% dan menunjukkan konsistensi terkuat dalam inferensi berulang.
Studi ini menyoroti bahwa penyelesaian tugas fisik dan perilaku spesifik model menangkap aspek berbeda dari ketahanan sistem. Analisis sensitivitas menunjukkan bahwa perubahan pada bukti kandidat hulu dapat mengubah pilihan cengkeraman akhir. Ini menekankan perlunya mengevaluasi kedua tahap secara bersama-sama. Dengan memisahkan isolasi semantik dari audit kandidat, kerangka kerja ini memberikan dasar yang lebih jelas untuk menilai sistem robotik berbasis VLM. Metode ini melampaui metrik kesuksesan sederhana untuk memahami di mana dan mengapa keputusan berhasil atau gagal. Metodologi ini menawarkan jalur yang skalabel untuk mengintegrasikan penalaran tingkat tinggi ke dalam kendali robotik tingkat rendah. Ini memastikan robot tidak hanya menggenggam objek, tetapi melakukannya dengan cara yang memenuhi instruksi manusia yang kompleks.