Lompat ke konten

Industri dan otomasi

UC Berkeley dan NVIDIA perkenalkan agentic robotics, agen AI yang menulis dan menguji program robot industri

Redaksi ARSTEMA · · 3 menit baca

Peneliti UC Berkeley bersama NVIDIA memaparkan agentic robotics di Conference on Robot Learning. Tim agen AI menulis, menguji di simulasi, dan memperbaiki program robot; kode terbuka dan tolok ukur industri ikut dirilis.

Peneliti UC Berkeley bersama NVIDIA memperkenalkan pendekatan bernama agentic robotics pada 9 November 2026 di Conference on Robot Learning. Dalam pendekatan ini, tim agen AI menyusun program kendali robot industri, mengujinya di simulasi, lalu merevisi kode ketika program gagal. Tim juga merilis kode sumber terbuka dan tolok ukur untuk menilai kinerja robot pada tugas industri.

Siapa dan apa yang dirilis

Menurut UC Berkeley News, Ken Goldberg, profesor teknik sekaligus ahli robotika di kampus itu, mengerjakan proyek ini bersama Spencer Huang dari NVIDIA. Kode terbuka yang dirilis dibangun di atas Isaac, kerangka simulasi terbuka NVIDIA untuk pengembang. Selain itu ada tolok ukur standar industri yang dipakai untuk membandingkan kinerja robot lintas tugas industri. Hasil pengujian berbulan-bulan dipresentasikan pada pekan yang sama dengan pengumuman tersebut.

Cara kerja Graph-as-Policy

Dua jalur lama dalam robotika memiliki kelemahan masing-masing. Pemrograman langsung (model-based) menuntut kerja rekayasa yang besar, sedangkan pelatihan dari demonstrasi (model-free, lewat imitation learning) membutuhkan data dan waktu dalam jumlah sangat besar. Agentic robotics diposisikan sebagai penghubung keduanya.

Kerangka yang dipakai disebut Graph-as-Policy. Tugas robot dipecah menjadi keterampilan terpisah, misalnya mencari objek, merencanakan genggaman, dan menggerakkan gripper tanpa tabrakan. Agen AI kemudian menyambungkan keterampilan itu menjadi satu program robot. Dengan pustaka simulasi Isaac, agen berlatih pada berbagai variasi tugas, menemukan titik gagal, dan memperbaiki pendekatannya sebelum program dipakai. Goldberg menyebut hasilnya berupa program yang dapat ditafsirkan insinyur manusia untuk penyetelan dan verifikasi.

Demo dan satu kegagalan

Dalam demo, model Astra dari OpenAI diberi akses ke antarmuka simulasi dan video singkat robot yang menyeka tinta dari batang logam memakai spons. Dalam waktu kurang dari satu jam, model itu membuat simulasi fisika yang meniru video tersebut. Program kendali yang kemudian dihasilkan diuji dan diperbaiki berulang di simulasi, lalu berhasil dijalankan di robot nyata.

Pada satu percobaan, robot justru mendorong jatuh batang logam karena tidak menyimpulkan massanya dengan andal. Kegagalan itu menjadi bukti baru bagi agen untuk merevisi simulasi dan program kendali.

Uji di gudang Ambi Robotics

Ambi Robotics, perusahaan logistik dan pemenuhan pesanan gudang di Berkeley, memakai metode ini untuk menganalisis data penyortiran paket. Menurut UC Berkeley News, tes menunjukkan kapasitas naik lebih dari 15.000 paket per tahun per robot, dan perubahan itu kini berjalan di 30% armada perusahaan di Amerika Serikat.

Superpower Daily menambahkan rincian dari klaim Ambi. Agen AI menganalisis 500 kejadian produksi dan mengevaluasi tiga usulan perbaikan dalam 10 jam, sedangkan insinyur memperkirakan pekerjaan itu butuh beberapa pekan. Perbaikan yang terpilih menambah throughput (jumlah paket yang diproses per satuan waktu) sebesar 4,2 paket per jam.

Angka tahunan perlu dibaca dengan hati-hati. Menurut Superpower Daily, angka itu hanya estimasi dari uji A/B produksi (membandingkan dua versi program pada kondisi berjalan) selama 10 hari, dengan asumsi hari kerja 12 jam dan enam hari seminggu. Angka tersebut bukan hasil yang teramati selama setahun penuh.

Apa artinya bagi pembaca

Bagi teknisi dan integrator otomasi, poin utamanya adalah bentuk keluarannya: kode yang bisa dibaca dan diperiksa sebelum dipakai di lini produksi. Goldberg menilai pendekatan ini cepat dan praktis untuk aplikasi rekayasa nyata. Namun, Superpower Daily melaporkan peneliti hanya mencatat tingkat keberhasilan lebih baik daripada sistem pembanding di delapan tolok ukur simulasi dan dunia nyata. Hasil itu masih spesifik per tugas, dan iterasi yang lebih cepat tidak menghilangkan kebutuhan memvalidasi perilaku robot.

Menurut Inside AI, fokus saat ini adalah logistik dan otomasi gudang, tempat tugas berulang dan data tersedia. Goldberg sendiri mengatakan robot asisten rumah tangga belum bisa diharapkan dalam waktu dekat. Pertanyaan seberapa baik metode ini berlaku di luar tugas industri terstruktur masih terbuka.

Sumber

  1. Recent advances in AI are creating a 'paradigm shift' for roboticsUC Berkeley News · 9 November 2026
  2. Berkeley's Ken Goldberg Unveils Agentic Robotics to Bypass Data GapInside AI · 9 November 2026
  3. Berkeley researchers release code for AI agents to build and improve robot programsSuperpower Daily · 9 November 2026

Pelajari lebih dalam di ARSTEMA Academy