Das in Israel ansässige Unternehmen Mentee Robotics hat einen Logistik-Workflow demonstriert: zwei MenteeBot V3-Humanoide arbeiten autonom, um Behälter zu heben und zu platzieren. Ein Modulares Agentensystem wird bevorzugt, da es die Robustheit in der realen Welt und geringere Rechenanforderungen gegenüber dem End-to-End VLA-Modell begünstigt. Seine Architektur besteht aus drei Komponenten: - LLM-Planer: Wandelt Anweisungen in ausführbaren Robotic API Language-Code um, um eine zuverlässige Aufgabenzerlegung und Fehlerbehandlung zu gewährleisten. - Wahrnehmungs-Stack: Verwendet vortrainierte Modelle (NeRF/3DGS, destillierte Vision) für das Verständnis von Szenen und Navigation. - Steuerungsrichtlinien: Reinforcement Learning (RL)-Modelle, die im großen Maßstab über Sim2Real trainiert wurden, generieren Motorbefehle, die eine hochpräzise mobile Manipulation ermöglichen. Kritisch ist, dass der Roboter neue Aufgaben aus einer einzigen Demonstration innerhalb von Stunden erlernt. Die Objekterkennung verwendet 3D-Geometrie (STL/URDF), die im Video verfolgt wird, um die RL-Belohnungsfunktion zu definieren. Das Training wird optimiert durch 'Automatisches Curriculum Learning', das die Aufgabenschwierigkeit basierend auf der Leistung des Roboters autonom anpasst und manuelle Ingenieurarbeit eliminiert. Alle Berechnungen laufen an Bord.

MenteeBot V3 Hardware-Spezifikationen