మానవరూప ప్రదర్శనలకు మించి
చైనా మానవరూప రోబోట్లు సాంకేతిక ప్రదర్శనల్లో ఆకర్షణ పొందుతున్నాయి. అక్కడ అవి మార్షల్ ఆర్ట్స్, నృత్యం మరియు మరింత సంక్లిష్టమైన కదలికలను చూపుతాయి.
ఆ ప్రదర్శనల వెనుక, చైనా పరిశోధకులు తక్కువగా కనిపించే ఒక సవాలుపై పని చేస్తున్నారు: రోబోట్లకు ఉపయోగకరమైన పని నేర్పించడం.
ఫ్యాక్టరీలో ఉత్పత్తులను ప్యాక్ చేసే ఒక రోబోట్‌ను ఊహించండి. వస్తువులు వేర్వేరు స్థానాల్లో రావచ్చు. కొన్ని మరింత బరువుగా ఉండవచ్చు. కొన్నిసార్లు ఒక వస్తువు జారిపోవచ్చు లేదా ఒక పెట్టె తప్పుగా పెట్టబడవచ్చు.
మానవ కార్మికుడు సాధారణంగా ఆలోచించకుండానే సర్దుబాటు చేసుకోగలడు. రోబోట్ మార్పును గుర్తించి, దానికి ఎలా స్పందించాలో నిర్ణయించాలి.
సాంప్రదాయ పారిశ్రామిక రోబోట్లు ఇప్పటికే అనేక పునరావృత పనులను విజయవంతంగా చేస్తున్నాయి, కానీ అవి సాధారణంగా జాగ్రత్తగా రూపొందించిన ప్రక్రియల్లోనే పనిచేస్తాయి. మారుతున్న పరిస్థితులను నిర్వహించగల అనుకూలత కలిగిన రోబోట్లకు శిక్షణ, సాఫ్ట్‌వేర్ మరియు హార్డ్‌వేర్ యొక్క భిన్నమైన కలయిక అవసరం.
చైనా పరిశోధకులు మరియు కంపెనీలు ఆ సాంకేతికతలోని అనేక భాగాలను అభివృద్ధి చేస్తున్నాయి.
ఈ పురోగతి ఎక్కడ జరుగుతోందో వివరించే మూడు అభివృద్ధులు ఉన్నాయి.
AgiBot: రోబోట్లకు అనుభవం ఇవ్వడం
2025లో చైనా రోబోటిక్స్ కంపెనీ AgiBot మరియు దాని పరిశోధన సహకారులు AgiBot World ను పరిచయం చేశారు. ఇది 217 పనుల్లో ఒక మిలియన్‌కు పైగా రికార్డ్ చేసిన రోబోట్ కదలికల సేకరణ.
ఈ ప్రాజెక్టులో ఐదు deployment scenarios ఉన్నాయి.
ఈ రికార్డింగ్‌లు AI మోడళ్లకు రోబోట్లు వస్తువులతో ఎలా సంభాషిస్తాయో ఉదాహరణలు ఇస్తాయి.
ఉదాహరణకు, నీళ్లు పోయడం నేర్చుకుంటున్న రోబోట్‌కు కేవలం “ఏమి చేయాలో” చెప్పే సూచన సరిపోదు. చేయి ఎలా ఉంచాలి, పాత్రను ఎలా పట్టుకోవాలి, కదలికను ఎలా నియంత్రించాలి అన్నది కూడా నేర్చుకోవాలి.
రికార్డ్ చేసిన ప్రదర్శనలు మోడళ్లకు ఈ సంబంధాలను నేర్చుకోవడంలో సహాయపడతాయి.
AgiBot పరిశోధకులు Genie Operator-1 (GO-1) అనే AI మోడల్‌ను కూడా అభివృద్ధి చేశారు. ఇది భౌతిక పనులు చేయడానికి శిక్షణ పొందిన మోడల్.
వారు దానిని నిజమైన రోబోట్లపై పరీక్షించారు. ఈ పరీక్షలు dexterous మరియు long-horizon పనులను కలిగి ఉన్నాయి.
పరిశోధకులు నివేదించిన ప్రకారం, GO-1 వారు పరీక్షించిన పనులపై ముందస్తు RDT విధానాన్ని 32% మెరుగ్గా అధిగమించింది.
ఈ పనితీరు గణాంకాలు అభివృద్ధి చేసిన బృందం నుండి వచ్చాయి. సమీక్షించిన సాక్ష్యాల్లో ఫలితాల స్వతంత్ర పునరుత్పత్తి ఇంకా స్థాపించబడలేదు.
అయినప్పటికీ, ఈ ప్రాజెక్టు చైనా రోబోటిక్స్ పరిశోధనకు ఒక ముఖ్యమైన సహకారం అందిస్తుంది.
AgiBot కేవలం భౌతిక రోబోట్లనే కాదు, ఆ యంత్రాలు వివిధ పనులు నేర్చుకోవడానికి ఉద్దేశించిన శిక్షణ వనరులు మరియు AI మోడళ్లను కూడా అభివృద్ధి చేస్తోంది.
మూలం: AgiBot World Colosseo, 2025
RoboTwin: వర్చువల్ వాతావరణంలో నేర్చుకోవడం
మరో చైనా పరిశోధన సహకారం, ప్రతి శిక్షణ ప్రయత్నమూ భౌతిక పరికరాలపై జరగాల్సిన అవసరం లేకుండా రోబోట్లు ఎలా నేర్చుకోగలవో పరిశీలిస్తోంది.
Shanghai Jiao Tong University, University of Hong Kong, Shanghai AI Laboratory మరియు సహకార సంస్థల పరిశోధకులు RoboTwin 2.0 ను అభివృద్ధి చేశారు. ఇది ICML 2026 లో ప్రచురించబడింది.
ఈ ప్రాజెక్టు వర్చువల్ వాతావరణాలను సృష్టిస్తుంది, అక్కడ రోబోట్లు వస్తువులను పట్టుకోవడాన్ని సాధన చేయవచ్చు.
ఒక ప్యాకేజీని తీసుకునేలా రోబోట్‌కు నేర్పుతున్నామని ఊహించండి.
వర్చువల్ వాతావరణంలో, పరిశోధకులు ప్యాకేజీ స్థానం, పరిమాణం మరియు చుట్టూ ఉన్న వస్తువులను మార్చగలరు. భౌతిక పరికరాలను పదేపదే కదపకుండానే రోబోట్ అనేక విభిన్న అమరికలలో సాధన చేయగలదు.
RoboTwin 2.0 ఐదు robot configurations లో, రెండు చేతులతో చేసే 50 పనులకు మద్దతు ఇస్తుంది.
అనుకరణ అనుభవాలతో శిక్షణ పొందిన మోడళ్లు ఎంపిక చేసిన భౌతిక రోబోట్ పరీక్షల్లో మెరుగ్గా పనిచేశాయని పరిశోధకులు నివేదించారు.
ఇతర robotics benchmarks తో పాటు RoboTwin 2.0 ను పరిశీలించిన ఒక స్వతంత్ర అధ్యయనం కూడా ఉంది. దాని ప్రకారం, RoboTwin 2.0 LIBERO మరియు CALVIN కంటే తక్కువ diagnostics లో విఫలమవుతుంది. ఇది మూల్యాంకన నాణ్యతపై ఆ అధ్యయనం చేసిన పరీక్షలలో మెరుగ్గా నిలిచిందని సూచిస్తుంది.
ఫలితాలు వర్చువల్ శిక్షణ వాస్తవ ప్రపంచ పరిస్థితులను పూర్తిగా పునరుత్పత్తి చేస్తుందని అర్థం కాదు. జాగ్రత్తగా రూపొందించిన అనుకరణలు ఉపయోగకరమైన శిక్షణ అనుభవాలను అందించగలవని, రోబోట్-లెర్నింగ్ పద్ధతులను మూల్యాంకనం చేయడంలో పరిశోధకులకు సహాయపడగలవని అవి చూపిస్తాయి.
చైనా రోబోటిక్స్ పరిశోధన సమాజానికి, RoboTwin AgiBot World కు పరిపూరకమైన విధానాన్ని అందిస్తుంది.
AgiBot భౌతిక కార్యకలాపాల ఉదాహరణలను సేకరిస్తుంది. RoboTwin ఆ కార్యకలాపాల వైవిధ్యాలను వర్చువల్‌గా సాధన చేయగల వాతావరణాలను అందిస్తుంది.
మూలాలు: RoboTwin 2.0, ICML 2026 | స్వతంత్ర benchmark audit, 2026
పరిశోధన వ్యవస్థల నుండి చైనా రోబోటిక్స్ పరిశ్రమ వరకు
మోడళ్లకు శిక్షణ ఇవ్వడం సవాలులో ఒక భాగమే. నేర్చుకున్న కదలికలను అమలు చేయగల భౌతిక హార్డ్‌వేర్ కూడా రోబోట్లకు అవసరం.
చైనా కంపెనీ Unitree G1 వంటి మానవరూప ప్లాట్‌ఫార్మ్‌లను అభివృద్ధి చేసింది. పరిశోధకులు వీటిని నడక, సమతుల్యత మరియు భౌతిక మానిప్యులేషన్‌ను పరీక్షించడానికి ఉపయోగించవచ్చు.
ఈ కంపెనీ రోబోటిక్ హార్డ్‌వేర్ తయారీలో చైనా పెరుగుతున్న సామర్థ్యాన్ని ప్రతిబింబిస్తుంది. ఆ యంత్రాలపై చూపిన కొన్ని సామర్థ్యాలను ఇతర బృందాలు అభివృద్ధి చేసిన AI మోడళ్లు అందిస్తూ ఉండవచ్చు.
మరో కంపెనీ, షెన్‌జెన్‌కు చెందిన DexForce, అనుకరణ రోబోట్ శిక్షణ చుట్టూ నిర్మించిన వాణిజ్య విధానాన్ని అనుసరిస్తోంది.
ఈ అభివృద్ధులు రోబోట్ లెర్నింగ్‌పై చైనా పరిశోధన వాణిజ్య ఆసక్తిని ఎలా ఆకర్షిస్తోందో చూపుతాయి.
కానీ ఒక తయారీ భాగస్వామ్యం మాత్రమే, ఒక రోబోట్ మొత్తం ఉత్పత్తి పనిని స్వతంత్రంగా లేదా ఆర్థికంగా చేయగలదని నిరూపించదు.
ఆ ప్రశ్న, రోబోట్ శిక్షణ సౌకర్యాల లోపల ఏమి జరుగుతోందో పరిశీలించినప్పుడు మరింత స్పష్టమవుతుంది.
ఫ్యాక్టరీ సవాలు
ఆగస్టు 2026లో, Liuzhou లోని శిక్షణ సౌకర్యంతో సహా చైనా మానవరూప రోబోటిక్స్ పరిశ్రమపై Reuters ఒక పరిశోధనాత్మక కథనం ప్రచురించింది.
ఆ సౌకర్యంలోని మానవ ఆపరేటర్లు క్రేట్‌లను వేరు చేయడం, నూడుల్స్ ప్యాక్ చేయడం మరియు పానీయాలు సిద్ధం చేయడం వంటి పనుల ద్వారా రోబోట్లను మార్గనిర్దేశం చేశారు.
ఆపరేటర్లు కదలికలను ప్రదర్శించడానికి ప్రత్యేక నియంత్రణలను ఉపయోగించారు. ఆ ఉదాహరణలు తర్వాత AI మోడళ్లకు శిక్షణ ఇవ్వడానికి ఉపయోగపడ్డాయి.
ఇది పరిశ్రమ పురోగతిపై ఒక ముఖ్యమైన దృక్కోణాన్ని ఇస్తుంది.
రోబోటిక్ ప్రదర్శనల్లో కనిపించే కొన్ని సామర్థ్యాలకు ఇప్పటికీ అభివృద్ధి సమయంలో విస్తృతమైన మానవ ప్రమేయం అవసరం.
ఆ పరిశోధన మానిప్యులేషన్ నైపుణ్యాలు, ఆపరేటింగ్ వేగం మరియు ఉత్పత్తి పనికి humanoid రోబోట్లను అమలు చేసే ఖర్చుకు సంబంధించిన కష్టాలను కూడా గుర్తించింది.
ఫ్యాక్టరీకి, ఒక పనిని ఒక్కసారి పూర్తి చేయడం సరిపోదు.
రోబోట్ సాధారణ కార్యకలాపాలు అంతటా ఆ పనిని నమ్మకంగా పునరావృతం చేయాలి, ఊహించని పరిస్థితులను నిర్వహించాలి, మరియు ఇప్పటికే ఉన్న ఆటోమేషన్‌తో పోలిస్తే తన ఖర్చును సమర్థించుకోవాలి.
చైనా కంపెనీలు ఈ అనువర్తనాలతో ప్రయోగాలు చేస్తున్నాయి, కానీ అందుబాటులో ఉన్న స్వతంత్ర సాక్ష్యం తయారీలో విస్తృతమైన, నమ్మదగిన humanoid స్వయంప్రతిపత్తిని ఇంకా స్థాపించలేదు.
రోబోట్‌ను మించిన చైనా పురోగతి
చైనా embodied AI పరిశోధనలో అత్యంత ఆసక్తికరమైన అభివృద్ధి ఏ ఒక్క humanoid యంత్రం కాదు.
అది ఆ యంత్రం చుట్టూ జరుగుతున్న పని.
AgiBot భౌతిక శిక్షణ అనుభవాల పెద్ద సేకరణలను అభివృద్ధి చేస్తోంది. RoboTwin పరిశోధకులు కొత్త పనులను సాధన చేయడానికి అనుకరణ వాతావరణాలను సృష్టిస్తున్నారు. Unitree వంటి కంపెనీలు హార్డ్‌వేర్‌ను నిర్మిస్తున్నాయి, DexForce ఈ శిక్షణ పద్ధతులు వాణిజ్య అనువర్తనాలకు ఎలా మద్దతు ఇవ్వగలవో అన్వేషిస్తోంది.
ఈ ప్రయత్నాలు ఒకే సమస్యలోని వేర్వేరు భాగాలను పరిష్కరిస్తాయి.
ఈ పరిశోధన గణనీయమైన డేటాసెట్‌లు, పని చేసే AI మోడళ్లు మరియు భౌతిక ప్రదర్శనలను ఉత్పత్తి చేసింది. కష్టమైన దశ ఆ సామర్థ్యాలను నియంత్రిత వాతావరణాల బయట స్థిరంగా ఉపయోగకరమైన పని చేయగల రోబోట్లుగా మార్చడం.
ఆ సామర్థ్యాలు నమ్మదగిన, ఆర్థికంగా ఉపయోగకరమైన కార్మికులుగా మారతాయా అన్నది, రోబోట్లు వేదికపై ఎంత ఆకట్టుకుంటాయో కాదు, రోజువారీ పరిస్థితుల్లో అవి ఏమి చేయగలవో బట్టి ఉంటుంది.
చైనా కేవలం కదలగల రోబోట్లను నిర్మించడంలోనే కాదు, వాటికి ఏమి చేయాలో నేర్పడానికి సహాయపడే సాంకేతికతను అభివృద్ధి చేయడంలో కూడా పురోగతి సాధిస్తోంది.
మరింత అన్వేషించడానికి పరిశోధన మరియు కోడ్
క్రింది ప్రాజెక్టులు సాంకేతిక వనరులను ప్రచురిస్తాయి, మరింత లోతుగా పరిశీలించాలనుకునే పాఠకుల కోసం. ప్రజలకు అందుబాటులో ఉన్న కోడ్, మోడళ్లు, డేటాసెట్‌లు మరియు చిత్రాలకు వేర్వేరు పునర్వినియోగ లైసెన్స్‌లు ఉండవచ్చు.
- AgiBot World on GitHub: రికార్డ్ చేసిన భౌతిక పనుల నుండి రోబోట్లకు నేర్పించే పరిశోధన వనరులను అన్వేషించండి.
- RoboTwin on GitHub: RoboTwin 2.0 వెనుక ఉన్న అనుకరణ manipulation పనులు మరియు పరిశోధన సాధనాలను అన్వేషించండి.
మూలాలు మరియు మరింత చదవడానికి
- AgiBot World Colosseo: A Large-scale Manipulation Platform for Scalable and Intelligent Embodied Systems, 2025. AgiBot డేటాసెట్ మరియు భౌతిక మూల్యాంకనాలపై అసలైన పరిశోధన.
- RoboTwin 2.0: A Scalable Data Generator and Benchmark with Strong Domain Randomization for Robotic Manipulation, ICML 2026. రెండు చేతుల రోబోట్ల కోసం అనుకరణ శిక్షణపై పరిశోధన.
- What Are We Actually Benchmarking in Robot Manipulation?, 2026. స్వతంత్ర benchmark మూల్యాంకనం.
- Reuters, China’s humanoid robots aren’t smart enough to take your job yet, ఆగస్టు 2026. శిక్షణ మరియు పారిశ్రామిక అమలు సవాళ్లపై రిపోర్టింగ్.