Israelbaserade Mentee Robotics har demonstrerat ett logistiskt arbetsflöde: två MenteeBot V3-humanoider arbetar autonomt för att plocka och placera låda. Ett modulärt agentsystem föredras eftersom det gynnar verklighetsbaserad robusthet och lägre beräkningsbehov jämfört med End-to-End VLA-modellen. Dess arkitektur består av tre komponenter: - LLM Planner: Konverterar instruktioner till exekverbar Robotic API-språkkod för tillförlitlig uppgiftsdekomposition och felhantering. - Perceptionsstack: Använder förtränade modeller (NeRF/3DGS, distillerad syn) för scenförståelse och navigering. - Kontrollpolicyer: Förstärkningsinlärningsmodeller (RL), tränade i stor skala via Sim2Real, genererar motoriska kommandon som möjliggör högnoggrann mobilhantering. Avgörande är att roboten lär sig nya uppgifter från en enda demonstration på några timmar. Objektspårning använder 3D-geometri (STL/URDF) som spåras i videon för att definiera RL-belöningsfunktionen. Utbildningen optimeras med hjälp av 'Automatic Curriculum Learning', som autonomt justerar uppgiftens svårighetsgrad baserat på robotens prestation, vilket eliminerar manuell ingenjörskonst. All beräkning körs ombord.

MenteeBot V3-hårdvaruspecifikationer