UK
Пошук
Фото: The Robot Report

Роботи AGIBOT G2 виконали 1 730 завдань під час 24-годинного випробування в магазині у Шанхаї

Випробування тривалістю 24 години в діючому магазині

За даними The Robot Report, AGIBOT провела 24-годинне випробування шести своїх колісних гуманоїдних роботів G2 у діючому мінімаркеті в районі Сюйхуей у Шанхаї. Роботи виконали загалом 1 730 завдань: від допомоги клієнтам і приготування кави до поповнення полиць і прибирання. Чотири з шести пройшли фінальну оцінку ефективності.

Тест стартував о 10:00 2 листопада і завершився о 10:00 3 листопада. У звіті зазначено, що його транслювали наживо для понад двох мільйонів глядачів на онлайн-платформах.

Випробування стало завершальним етапом технологічної презентації AI WAVE від AGIBOT, яка почалася 22 жовтня. Під час презентації компанія оприлюднила датасети для робототехніки, інструменти симуляції, моделі ШІ, апаратне та програмне забезпечення для роботи. Тест у магазині мав поєднати ці технології в реальних умовах і показати, як роботи справляються з повсякденними завданнями протягом тривалішого часу. Окремо у вересні 2026 року компанія заявила, що її 20 000-й робот зійшов з конвеєра.

Розподіл ролей і результати тесту

Кожен робот мав свою роль. Одні обслуговували запити клієнтів, інші перевіряли полиці та поповнювали їх, а решта готувала каву, обслуговувала касу і гарячу їжу або прибирала магазин.

За 24 години роботи зафіксували 683 взаємодії з клієнтами та 369 видач і доставок товарів, приготували 147 замовлень кави і 126 порцій сніданку, виконали 277 перевірок полиць і поповнень, а столики прибрали 128 разів.

Випробування охопило чотири періоди: обідній пік, вечірні години пік, нічну роботу і ранковий пік попиту на сніданки. У звіті зазначено, що кожен період ставив перед роботами різні завдання: від відповідей на запити в години пік до підтримки роботи магазину вночі.

Оцінювачі виставляли кожному роботу бали за тим, як довго він перебував на зміні, чи виконав завдання, відгуки клієнтів, швидкість реагування та те, як він справлявся з несподіванками. За даними звіту, чотири роботи пройшли фінальну перевірку, а два інші не відповідали окремим вимогам.

Окремо двоє оцінювачів провели практичні тести на ситуаціях, з якими роботи можуть зіткнутися під час обслуговування клієнтів. В одному випадку вони замовили звичайну та безцукрову Coca-Cola, щоб перевірити, чи можуть роботи розрізнити схожі на вигляд товари. В іншому переклали пачки жувальної гумки не на місце і попросили роботів повернути їх туди, де вони мають бути.

Щоб перевірити навігацію, оцінювачі поставили в один прохід людину та коробку, перевіряючи, чи можуть машини помітити перешкоди та обминути їх.

Чому магазин — складне випробування

У звіті зазначено, що мінімаркет може здаватися роботам простим завданням: компактне планування і багато операцій за стандартними процедурами. Однак захоплення товарів, поповнення полиць і приготування їжі все одно змушують машини справлятися з дрібними, але частими змінами умов.

У звіті наведено приклади. Пакети з цукерками висять під трохи іншим кутом, і їх важко взяти, не зачепивши сусідні товари. Делікатний предмет, наприклад шматок торта, потребує ретельного контролю сили хвату, щоб його не впустили і не пошкодили.

За звітом, живий магазин суттєво відрізняється від лабораторії. Покупці ходять між полицями, товари беруть і повертають назад, а їх розташування, кут і упаковка різняться, тож навіть повторюване завдання може не пройти двічі однаково.

У звіті зазначено, що роботи G2 продемонстрували кілька можливостей, розрахованих на ці проблеми. Вони використовували візуальні дані в реальному часі, щоб помічати товари не на місці і повертати їх на призначені місця, а не покладалися лише на заздалегідь задані координати.

Один робот, що поповнював полиці, помітив прогалини й заповнив їх без окремої команди. У зоні прибирання інший відокремлював розлиті рідини від малюнків на стільниці і вибирав відповідні інструменти.

У звіті зазначено, що ці завдання виходили за межі окремих рухів. Вони вимагали сприйняття довкілля, рішень, пов'язаних із конкретним завданням, і зміни дій у міру зміни умов.

Genie Master і навчання на основі операційних даних

Випробування стосувалося й Genie Master від AGIBOT, фреймворка для ШІ-агентів із втіленим інтелектом. За звітом, його перевіряли на координацію завдань, виправлення помилок і навчання на основі операційних даних.

Genie Master забезпечує спільну структуру, яка координує всіх шістьох роботів і пов'язує їхні дії з подальшим аналізом і навчанням. За звітом, зв'язок між плануванням, виконанням і зворотним зв'язком забезпечує Embodied Execution Protocol (EEP).

Система розподіляє роботу відповідно до можливостей кожного робота та умов у магазині. Далі роботи виконують завдання на основі політик дій і того, що бачать у реальному часі. Результати кожної спроби надходять назад до системи для перевірки та діагностики несправностей.

Фреймворк також навчається на попередніх спробах. Аналізуючи успішні та невдалі виконання, він може зберігати корисний досвід у довготривалій пам'яті для схожих випадків. Вдалі корективи можна перетворювати на навчальні дані, які вдосконалюють політики дій.

Наступні кроки

Компанія використовує висновки з операційної роботи, щоб покращити результати G2 у делікатних завданнях, зокрема через додаткові тренування в спокійніші нічні години. У звіті зазначено, що ці зусилля спрямовані на завдання, які потребують точного поводження.

Компанія планує розширити випробування на інші завдання та реальні майданчики, використовуючи відгуки з роботи, щоб зробити машини надійнішими та гнучкішими. За звітом, AGIBOT також вивчить, які здатності та робочі методи можна переносити між завданнями і копіювати на інші майданчики. У звіті припускають, що ці результати визначатимуть наступний етап, спрямований на стабільніше й масштабованіше застосування в польових умовах.

Джерело