Het in Israël gevestigde Mentee Robotics heeft een logistiek werkproces gedemonstreerd: twee MenteeBot V3 humanoïden werken autonoom om bakken op te pakken en te plaatsen. Een Modulaire Agentensysteem heeft de voorkeur omdat het de voorkeur geeft aan robuustheid in de echte wereld en lagere rekenbehoeften boven het End-to-End VLA-model. De architectuur bestaat uit drie componenten: - LLM Planner: Zet instructies om in uitvoerbare Robotic API Language-code voor betrouwbare taakdecompositie en foutafhandeling. - Perceptiestack: Gebruikt voorgetrainde modellen (NeRF/3DGS, gedistilleerde visie) voor scene-interpretatie en navigatie. - Controlebeleid: Reinforcement Learning (RL) modellen, op grote schaal getraind via Sim2Real, genereren motorcommando's, waardoor mobiele manipulatie met hoge nauwkeurigheid mogelijk is. Cruciaal is dat de robot nieuwe taken leert van een enkele demonstratie in enkele uren. Objecttracking maakt gebruik van 3D-geometrie (STL/URDF) die in de video wordt gevolgd om de RL-beloningsfunctie te definiëren. Training is geoptimaliseerd met behulp van 'Automatische Curriculum Learning', dat autonoom de taakmoeilijkheid aanpast op basis van de prestaties van de robot, waardoor handmatige engineering overbodig wordt. Alle berekeningen worden aan boord uitgevoerd.

MenteeBot V3 hardware specificaties