Humanoid показала обучение роботов на реальных производственных задачахЛондонская компания Humanoid представила KinetIQ Ascend — подход к обучению гуманоидных роботов методом проб и ошибок на реальных производственных задачах. По словам разработчика,

Лондонская компания HumanoidпредставилаKinetIQ Ascend — подход к обучению гуманоидных роботов методом проб и ошибок на реальных производственных задачах. По словам разработчика, технология приблизит его платформы к 99,9% успешных манипуляций на человеческой или более высокой скорости. KinetIQ Ascend расширяет фреймворк KinetIQ, который лежит в основе роботов Humanoid. Новый подход использует обучение с подкреплением (reinforcement learning, RL). При таком методе система не только копирует действия человека, но и сама повторяет задачу, получает сигнал об успехе или ошибке и постепенно улучшает поведение. В Humanoid заявили, что запускают RL не только в симуляции, а прямо на реальном оборудовании и в производственных сценариях в круглосуточном режиме. По версии компании, это первая опубликованная демонстрация сквозного RL на основе зрения для производственныхVLA-моделей, обученных на реальной двурукой гуманоидной платформе в условиях развертывания. Почему Humanoid делает ставку на RL До этого Humanoid, как и многие другие разработчики роботов, обучала системы через имитацию человеческих демонстраций. «Модель, копирующая демонстрации, не может превысить скорость или качество демонстратора и не учится цене ошибки», — говорится вматериале Humanoid. «Модель, копирующая демонстрации, не может превысить скорость или качество демонстратора и не учится цене ошибки», — говорится вматериале Humanoid. По мнению компании, последние проценты надежности и переход к скорости выше человеческой требуют другого подхода, и KinetIQ Ascend должен закрыть этот разрыв за счет практики на реальных задачах. Humanoid сравнивает этот процесс с масштабированием больших языковых моделей: чем дольше идет обучение, тем выше успешность. Humanoid протестировала KinetIQ Ascend на трех производственных задачах: Робот должен был брать стальные подшипниковые кольца из контейнера и размещать их на конвейере. По данным компании, после RL-обучения пропускная способность выросла на 42%, до 412 колец в час против 291 у базовой модели. Робот брал предмет из контейнера и передавал его человеку. Humanoid заявила, что пропускная способность выросла на 85%, средняя длительность эпизода снизилась на 35%, а успешность поднялась с 80% до 98%. Робот должен был двумя руками поднять контейнер со стола в произвольной ориентации. По данным Humanoid, после нескольких дней обучения пропускная способность выросла с 122 до 279 контейнеров в час, средняя длительность эпизода сократилась с 22,9 до 12,8 секунды, а успешность поднялась с 77,6% до 98,9%. Компания также выделила два дополнительных вывода: если улучшить самый сложный этап операции, это может повысить результат всей задачи; навык переносится на объекты, которых робот не видел во время RL-обучения. В Humanoid утверждают, что замеряли прирост не против старой базы, а через параллельное A/B-сравнение с текущей базовой моделью. Это важно для реальных производственных сред, где результат может меняться из-за освещения, положения объектов, износа оборудования и других факторов. Humanoid строит промышленную цепочку в Европе По даннымThe Robot Report, в компании работает более 250 инженеров, исследователей и специалистов. Офисы расположены в Лондоне, Бостоне и Ванкувере. В мае Humanoidобъявилао партнерстве с Bosch — фирма станет контрактным производственным партнером для выпуска HMND 01 на европейском рынке. Соглашение последовало за предварительными тестами в марте. В рамках теста роботы автономно переносили коробки с конвейера на тележку в логистической среде Bosch в Бюле, работая с пятью размерами коробок разной высоты, формы и веса. «Для Humanoid это соглашение — критический шаг в дорожной карте, соединяющий проверку концепции и крупномасштабное развертывание», — заявил основатель компании Артем Соколов. «Для Humanoid это соглашение — критический шаг в дорожной карте, соединяющий проверку концепции и крупномасштабное развертывание», — заявил основатель компании Артем Соколов. 13 мая разработчиксообщило поэтапном обязывающем соглашении со Schaeffler. По даннымReuters, план предусматривает развертывание от 1000 до 2000 роботов на глобальных производственных площадках партнера к 2032 году. Анонс KinetIQ Ascend появился на фоне ускорения гонки в гуманоидной робототехнике. Американская Figure в 2025 годупривлеклаболее $1 млрд в раунде Серии C при оценке $39 млрд. Apptronik в феврале 2026 годаобъявилао получении $520 млн от B Capital, Google, Mercedes-Benz, PEAK6, AT&T Ventures, John Deere и Qatar Investment Authority. Этот раунд дополнил первоначальную Серию A на $415 млн и довел общий объем до более чем $935 млн. Китай также активно поддерживает отрасль. По даннымReuters, власти страны с 2024 года направили на развитие робототехники не менее $20 млрд. При этом агентство отмечало, что реальные продажи пока ограничены: в прошлом году было реализовано около 12 000 гуманоидных роботов, в основном для исследовательских целей, а не массового промышленного внедрения. Made in China: Пекин заменит гастарбайтеров на гуманоидов Ранее Nvidia, Unitree и Sharpaпредставилиплатформу для разработки и тестирования навыков гуманоидных роботов. В конфигурацию вошли корпус Unitree H2 Plus, тактильные пятипалые кисти Sharpa Wave, Jetson Thor и софт Isaac GR00T. Напомним, в июне Tetherинвестировалав немецкую NEURA Robotics, которая развивает платформу «физического ИИ» и планирует массовое производство гуманоидных роботов.