Лондонський розробник гуманоїдних роботів Humanoid представив KinetIQ Ascend — методологію навчання, яка дозволяє роботам освоювати виробничі операції методом проб і помилок у реальних умовах. Технологія базується на навчанні з підкріпленням (reinforcement learning, RL) і, за заявою компанії, здатна довести успішність маніпуляцій до 99,9% при швидкості, порівнянній з людською або вищій за неї.
KinetIQ Ascend розширює можливості фреймворку KinetIQ, який лежить в основі всіх роботів Humanoid. Ключова відмінність нового підходу в тому, що RL-навчання запускається не в симуляції, а безпосередньо на реальному обладнанні в цілодобовому режимі. Це перша публічно анонсована демонстрація наскрізного RL на основі зору для VLA-моделей (vision-language-action), навчених на реальній дворукій гуманоїдній платформі в умовах промислового розгортання.
Раніше Humanoid, як і більшість конкурентів, покладався на імітаційне навчання — копіювання людських демонстрацій. Однак такий підхід має фундаментальне обмеження: модель не може перевершити демонстратора ні за швидкістю, ні за якістю, і не вчиться на власних помилках. KinetIQ Ascend вирішує цю проблему за рахунок безперервної практики, аналогічно масштабуванню великих мовних моделей — чим довше навчання, тим вища успішність.
Результати тестування на виробничих завданнях
Humanoid провів A/B-тестування KinetIQ Ascend на трьох реальних операціях:
- Захоплення сталевих підшипникових кілець з контейнера та розміщення на конвеєрі. Після RL-навчання пропускна здатність зросла на 42% — з 291 до 412 кілець на годину.
- Передача предмета з контейнера людині. Пропускна здатність збільшилася на 85%, середня тривалість епізоду скоротилася на 35%, а успішність зросла з 80% до 98%.
- Дворукий підйом контейнера зі столу в довільній орієнтації. Після кількох днів навчання пропускна здатність зросла зі 122 до 279 контейнерів на годину, час епізоду скоротився з 22,9 до 12,8 секунди, а успішність піднялася з 77,6% до 98,9%.
Компанія також зазначила, що покращення найскладнішого етапу операції може підвищити результат всього завдання, а навик переноситься на об'єкти, яких робот не бачив під час RL-навчання. Це критично важливо для реальних виробничих середовищ, де умови постійно змінюються.
Промислова стратегія та конкуренція
Humanoid активно будує виробничий ланцюжок у Європі. У травні компанія оголосила про партнерство з Bosch, який стане контрактним виробником роботів HMND 01 для європейського ринку. Раніше було укладено поетапну угоду з Schaeffler про розгортання від 1000 до 2000 роботів на глобальних майданчиках партнера до 2032 року.
Анонс KinetIQ Ascend відбувається на тлі загострення гонки в гуманоїдній робототехніці. Figure залучила понад $1 млрд при оцінці $39 млрд, Apptronik отримав $935 млн від інвесторів, включаючи Google та Mercedes-Benz. Китай з 2024 року спрямував на розвиток робототехніки щонайменше $20 млрд, хоча реальні продажі поки обмежені — близько 12 000 гуманоїдних роботів, в основному для дослідницьких цілей.
Мій експертний коментар: KinetIQ Ascend — це не просто еволюція, а зміна парадигми в навчанні промислових роботів. Перехід від імітації до RL на реальному обладнанні вирішує фундаментальну проблему «стелі» швидкості та якості, яка неминуча при копіюванні людських дій. Якщо Humanoid вдасться масштабувати цей підхід на тисячі роботів у партнерстві з Bosch та Schaeffler, компанія може стати одним із ключових гравців в індустріальній робототехніці, випередивши конкурентів, які все ще покладаються на симуляції та демонстрації.