Al CES 2026, il discorso sulla robotica si è spostato silenziosamente. Meno persone si chiedono se i robotic possano muoversi più velocemente o sollevare oggetti più pesanti. Altri si chiedono qualcosa di più difficile: perché i robotic continuano a lottare al di fuori delle demo controllate e cosa manca per renderli affidabili nel mondo reale?
Per molti nel settore, la risposta sono i dati. Non dati sintetici o movimenti programmati, ma dati di interazione reali che catturano il comportamento degli oggetti quando vengono toccati, spinti, schiacciati o spostati.
Questo è il problema che Daimon Robotics sta cercando di affrontare con DM-EXton2, un sistema di acquisizione dati basato sulla teleoperazione presentato quest’anno al CES. Non è un prodotto di consumo. È uno strumento professionale progettato per aiutare i robotic advert apprendere dall’interazione umana su larga scala.
I robotic non sono stupidi: sono inesperti
I recenti progressi nell’intelligenza artificiale hanno migliorato notevolmente la percezione, la comprensione del linguaggio e il ragionamento. Ma l’interazione fisica rimane un punto debole. Un robotic può riconoscere perfettamente un oggetto e tuttavia fallire quando gli viene chiesto di prenderlo, inserirlo o manipolarlo in sicurezza.
La ragione è semplice: il mondo fisico è disordinato. Forza, attrito, deformazione e contatto cambiano di momento in momento e questi segnali sono difficili da catturare in modo pulito. La maggior parte dei robotic semplicemente non ha visto abbastanza di questi dati.
I metodi tradizionali di raccolta dati comportano dei compromessi. Gli ambienti di acquisizione dedicati sono costosi e richiedono molta manodopera, ma producono ancora dati riutilizzabili limitati. La simulazione è più economica, ma il divario tra fisica virtuale e realtà spesso porta a modelli che funzionano in laboratorio e falliscono nella pratica.
Peggio ancora, molti sistemi esistenti interferiscono proprio con il comportamento che stanno cercando di registrare. Le apparecchiature ingombranti limitano i movimenti naturali, mentre i sensi limitati non riescono a cogliere la forza sottile e i segnali tattili su cui gli esseri umani fanno istintivamente affidamento.
Cosa fa effettivamente un sistema robotico di acquisizione dati
Un sistema di acquisizione dati basato sulla teleoperazione affronta il problema in modo diverso.
Basandosi sugli approcci tradizionali di teleoperazione, un sistema di acquisizione dati basato sulla teleoperazione registra i dati di interazione in tempo reale con maggiore coerenza su più segnali. Un operatore umano controlla a distanza un robotic per eseguire compiti reali (afferrare oggetti, inserire componenti o manipolare strumenti) mentre il sistema acquisisce simultaneamente dati di movimento, tempistica, contatto e forza.
In effetti, il robotic impara osservando e sentendo come un essere umano svolge il lavoro. Quanto più questa configurazione si avvicina al comportamento umano naturale, tanto più utili diventano i dati risultanti.
Costruito per dati reali, non demo
DM-EXton2 è il primo sistema di teleoperazione con suggestions tattile al mondo per l’acquisizione di dati robotici, progettato per acquisire dati di interazione di alta qualità da attività del mondo reale.
È progettato in base alla reattività e alla flessibilità di implementazione piuttosto che alle specifiche indossabili. Funzionando con una velocità di risposta di 1.000 Hz, il sistema consente la sincronizzazione dei comandi a livello di millisecondi che supporta la teleoperazione fluida e a bassa latenza durante la raccolta dei dati.
Supporta inoltre la teleoperazione di tutto il corpo, compreso il controllo coordinato delle basi mobili e delle articolazioni della vita, ampliando la gamma di compiti che possono essere svolti. Insieme al ridimensionamento adattivo del movimento e al cambio rapido dell’effettore finale, queste funzionalità consentono a un unico sistema di supportare sia la manipolazione high-quality che i movimenti advert ampio raggio senza interrompere il processo di raccolta dei dati.
Per adattarsi a diversi ambienti di lavoro, DM-EXton2 è disponibile in due configurazioni: una versione a zaino adatta per configurazioni mobili di raccolta dati e una versione montata su supporto progettata per postazioni di lavoro fisse. Ciò consente agli operatori di scegliere il formato che meglio si adatta al loro flusso di lavoro, sia che i dati vengano acquisiti in spazi dinamici o all’interno di ambienti stabili e ripetibili.
Mettere forza e tattilità nel circuito
Il punto in cui il DM-EXton2 si distingue maggiormente è l’abbinamento del suggestions di forza lato operatore con il rilevamento tattile per la raccolta dei dati.
Il sistema inserisce queste capacità di forza in un quadro di teleoperazione più ampio, consentendo una manipolazione più naturale e precisa durante la raccolta dei dati. Mentre il robotic interagisce con il suo ambiente, le forze di contatto vengono restituite all’operatore in tempo reale. Compiti come la manipolazione di oggetti fragili o l’esecuzione di inserimenti precisi diventano più intuitivi, anche quando la visuale del robotic è parzialmente ostruita.
Non si tratta solo di migliorare l’esperienza di controllo dell’operatore. A livello di robotic, i segnali di forza e tattili vengono registrati insieme ai dati di movimento, creando set di dati multimodali che riflettono il modo in cui gli esseri umani interagiscono effettivamente con gli oggetti. Questi dati sono fondamentali per insegnare ai robotic non solo come muoversi, ma anche come valutare il contatto e adattarsi ai vincoli fisici.
Dagli esperimenti isolati all’apprendimento ripetibile
Sincronizzando movimento, forza e tocco, DM-EXton2 funge da ponte tra l’abilità umana e l’apprendimento automatico. L’intuizione umana diventa dati strutturati da cui i robotic possono apprendere, riutilizzare e applicare in tutte le attività.
Questo cambiamento è importante. Invece di raccogliere piccoli set di dati specifici per attività, i staff possono creare pipeline proceed per la generazione di dati. Nel tempo, ciò supporta un addestramento del modello più rapido e una distribuzione più affidabile.
Chiusura del ciclo
Il sistema si inserisce anche in un cambiamento più ampio nel modo in cui vengono sviluppati i robotic. La raccolta dei dati, l’addestramento del modello e l’implementazione non sono più fasi separate. Formano sempre più un anello.
Dati di interazione di alta qualità vengono inseriti in modelli multimodali, compresi i framework visione-tattile-linguaggio-azione, che migliorano il comportamento dei robotic. L’uso nel mondo reale genera quindi nuovi dati che perfezionano il successivo ciclo di formazione.
Perché questo ciclo funzioni, i dati devono muoversi liberamente. La standardizzazione e la compatibilità non sono una cosa gradita; sono prerequisiti.
Dove si inserisce Daimon Robotics
Daimon Robotics si concentra sulle tecnologie che supportano l’apprendimento dei robotic, piuttosto che sulla costruzione di robotic completi. Il suo lavoro spazia dal rilevamento tattile, all'{hardware} di manipolazione abile e ai sistemi di teleoperazione progettati per supportare la raccolta di dati su larga scala.
L’azienda è stata incubata presso l’Università della Scienza e della Tecnologia di Hong Kong e fondata dal professor Yu Wang, direttore fondatore dell’HKUST Robotics Institute, insieme al dottor Jianghua Duan. Il staff combina la ricerca accademica con l’esperienza nell’implementazione della tecnologia robotica oltre il laboratorio.
Nell’ambito di questo approccio, DM-EXton2 funge da componente chiave della strategia “3D” di Daimon Robotics: dispositivo, dati e implementazione. Basandosi sull’attenzione a lungo termine dell’azienda sul rilevamento tattile e sulla manipolazione abile, il sistema aiuta a trasformare la forza e i dati tattili in enter utilizzabili per modelli di apprendimento avanzati, supportando il progresso verso capacità robotiche più generiche.
Perché questo è importante
Man mano che i robotic si avvicinano agli ambienti quotidiani, il progresso dipenderà meno da algoritmi intelligenti e più dalla capacità delle macchine di imparare dal mondo fisico in cui operano.
Il DM-EXton2 non promette un’autonomia istantanea. Funge invece da ponte fondamentale, consentendo ai robotic di essere guidati attraverso attività del mondo reale in modo che i dati di interazione di alta qualità possano essere acquisiti come base per capacità più generali.
Puoi saperne di più su Daimon Robotics tramite il suo sito web aziendale, Profilo LinkedIn E account YouTube.
