Φυσική AI ανοιχτού κώδικα: πώς το LeRobot ανοίγει τη ρομποτική

TL;DR. Στη σύνοδο του Economist για τη φυσική AI στο Λονδίνο, ο Pepijn Kooijmans έδειξε πώς το LeRobot, ανοιχτά μοντέλα και βραχίονες 200 USD ρίχνουν τα εμπόδια.

Βασικά συμπεράσματα

Από τον σχεδιασμό κίνησης στη μάθηση μέσω μίμησης: η αρχιτεκτονική μετατόπιση. Στην παρουσίαση μελέτης περίπτωσης Open for business: how open source is accelerating physical AI (Ανοιχτοί για δουλειές: πώς ο ανοιχτός κώδικας επιταχύνει τη φυσική AI), ο Pepijn Kooijmans περιέγραψε την πορεία του…
Μέσα στην πολυτροπική αρχιτεκτονική VLA. Κατά την ομιλία του, ο Kooijmans παρουσίασε αναλυτικά το νευρωνικό δίκτυο από άκρο σε άκρο που τροφοδοτεί τις σύγχρονες πολιτικές φυσικής AI ανοιχτού κώδικα και έδειξε πώς οι πολυδιάστατες αντιληπτικές είσοδοι…
Τεχνική σύγκριση: κλασικός αυτοματισμός έναντι φυσικής AI ανοιχτού κώδικα. Πηγή: Ανάλυση δεδομένων της παρουσίασης, τεχνικών μετρήσεων και ζωντανών επιδείξεων στο Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, Λονδίνο, 13 Οκτωβρίου 2026).
Τι σημαίνει αυτό ανά τομέα. Η άνοδος της ανοιχτής φυσικής AI, που αναπτύσσεται από την κοινότητα, αλλάζει τον εμπορικό λογαριασμό σε πολλούς κλάδους.

Επί έξι δεκαετίες, η βιομηχανική ρομποτική λειτουργούσε με ένα αμείλικτο παράδειγμα: ένας μηχανικός προγραμματίζει ρητά κάθε χιλιοστό της κίνησης μιας μηχανής με ιδιόκτητες γλώσσες, χειριστήρια προγραμματισμού και άκαμπτους κινηματικούς επιλυτές. Αν ένα τεμάχιο μετατοπιστεί κατά πέντε χιλιοστά ή αλλάξουν οι συνθήκες φωτισμού, το ρομπότ βγάζει σφάλμα. Στο Economist Enterprise Physical AI and Robotics Summit στο Λονδίνο, στις 13 Οκτωβρίου 2026, ο Pepijn Kooijmans, επικεφαλής του LeRobot στη Hugging Face, παρουσίασε μια εναλλακτική αρχιτεκτονική που αποδομεί αυτή την κληρονομιά: «Τα ρομπότ του μέλλοντος δεν θα προγραμματίζονται εργασία προς εργασία. Θα μαθαίνουν.»

Από τον σχεδιασμό κίνησης στη μάθηση μέσω μίμησης: η αρχιτεκτονική μετατόπιση #

Στην παρουσίαση μελέτης περίπτωσης Open for business: how open source is accelerating physical AI (Ανοιχτοί για δουλειές: πώς ο ανοιχτός κώδικας επιταχύνει τη φυσική AI), ο Pepijn Kooijmans περιέγραψε την πορεία του από την κλασική μηχατρονική στη βαθιά μάθηση. Επί δεκαετίες, οι ρομποτικοί εκπαιδεύονταν να αναλύουν τον χειρισμό σε διακριτά, απομονωμένα υποπροβλήματα: κατάτμηση αντικειμένων, εκτίμηση πόζας 6D, μετασχηματισμούς συστημάτων συντεταγμένων, σχεδιασμό τροχιάς με αποφυγή συγκρούσεων και έλεγχο PID των κινητήρων των αρθρώσεων.

Αυτή η αναλυτική αποδόμηση λειτουργεί καλά σε αυστηρά διαμορφωμένα εργοστάσια αυτοκινήτων, όπου τα εξαρτήματα φτάνουν σε ατσάλινες ιδιοσυσκευές ακρίβειας μικρομέτρου, αλλά καταρρέει σε υφιστάμενα βιομηχανικά περιβάλλοντα, εργαστήρια, αποθήκες και κατοικίες. Στον πραγματικό κόσμο τα αντικείμενα παραμορφώνονται, οι επιφάνειες αντανακλούν το φως απρόβλεπτα και οι άνθρωποι συνάδελφοι δημιουργούν κινούμενα εμπόδια.

Η βασική θέση της Hugging Face είναι ότι η φυσική επιδεξιότητα δεν μπορεί να προσδιοριστεί αναλυτικά μέσω χειρόγραφων κανόνων· πρέπει να αποκτηθεί μέσω της εμπειρίας. Όπως τα μεγάλα γλωσσικά μοντέλα (LLM) έμαθαν γραμματική, συλλογισμό και γνώση του κόσμου προβλέποντας το επόμενο token σε τεράστια σώματα κειμένων, έτσι και οι πράκτορες φυσικής AI αποκτούν κινητικές δεξιότητες μαθαίνοντας την κατανομή των ενεργειών υπό τον όρο των οπτικών και αισθητηριακών παρατηρήσεων.

Η μετάβαση από τον προγραμματισμό κάθε κίνησης στη διδασκαλία μέσω ανθρώπινης επίδειξης σηματοδοτεί την είσοδο της ρομποτικής στην εποχή των θεμελιωδών μοντέλων.

Μέσα στην πολυτροπική αρχιτεκτονική VLA #

Κατά την ομιλία του, ο Kooijmans παρουσίασε αναλυτικά το νευρωνικό δίκτυο από άκρο σε άκρο που τροφοδοτεί τις σύγχρονες πολιτικές φυσικής AI ανοιχτού κώδικα και έδειξε πώς οι πολυδιάστατες αντιληπτικές είσοδοι μεταφράζονται σε ομαλό φυσικό χειρισμό.

Αρχιτεκτονική όρασης-γλώσσας-δράσης από άκρο σε άκρο του Hugging Face LeRobot, με οπτικά tokens SigLIP, διάνυσμα κατάστασης αρθρώσεων, γλωσσική εντολή, διασταυρούμενη προσοχή του Gemma VLM και Action Expert βασισμένο σε flow matching που εξάγει 30 συντονισμένες ενέργειες αρθρώσεων .class="img-fluid clearfix"

Η αρχιτεκτονική λειτουργεί ως μια στενά ενοποιημένη πολυτροπική αισθητηριοκινητική αλυσίδα:

1. Αντιληπτική πρόσληψη πολλαπλών ροών #

Το ρομπότ παρατηρεί τον χώρο εργασίας του μέσω πολλαπλών συγχρονισμένων ροών καμερών (συνήθως μια κάμερα βάσης από ψηλά που παρέχει χωρικό πλαίσιο, μαζί με κάμερες στους καρπούς του αριστερού και του δεξιού χειριστή για λεπτομερή παρακολούθηση της επαφής).

Οι ακατέργαστες ροές εικονοστοιχείων περνούν σε έναν παγωμένο οπτικό transformer SigLIP (400M παράμετροι), ο οποίος μετατρέπει τα καρέ του βίντεο σε πυκνά οπτικά tokens χωρίς να απαιτεί υπολογιστικά απαγορευτικές ενημερώσεις κλίσης σε όλη την οπτική ραχοκοκαλιά κατά τη λεπτομερή ρύθμιση της πολιτικής.

2. Κινηματικό διάνυσμα κατάστασης και εξάρτηση από την εργασία #

Ταυτόχρονα, το σύστημα δειγματοληπτεί την εσωτερική ιδιοδεκτική κατάσταση του ρομπότ: ένα διάνυσμα 16 διαστάσεων που καταγράφει τις 7 γωνίες των αρθρώσεων, τις ταχύτητες και τα ανοίγματα των λαβίδων των δύο χειριστών.

Ο χρήστης δίνει τον επιχειρησιακό στόχο με μια αυθαίρετη οδηγία σε φυσική γλώσσα (για παράδειγμα "fold the t-shirt", "pick the M8 hex bolt and place it in the bracket" ή "route the cable through the conduit"), η οποία μετατρέπεται σε tokens και σε τυπικές ενσωματώσεις κειμένου.

3. Πολυτροπικός πυρήνας διασταυρούμενης προσοχής (Gemma VLM) #

Τα οπτικά tokens, το ιδιοδεκτικό διάνυσμα κατάστασης και τα tokens κειμένου εισάγονται σε ένα μοντέλο όρασης-γλώσσας Gemma (2B παράμετροι). Αντί απλώς να παράγει tokens κειμένου, το Gemma VLM εφαρμόζει βαθιά διασταυρούμενη προσοχή και στις τρεις τροπικότητες, συγχωνεύοντας την υψηλού επιπέδου σημασιολογική πρόθεση της οδηγίας με τη χωρική γεωμετρία της οπτικής σκηνής και τη στιγμιαία μηχανική διαμόρφωση του βραχίονα.

Η έξοδος αυτού του ενοποιημένου θεμελιώδους μοντέλου είναι μια πυκνή αναπαράσταση των χαρακτηριστικών εργασίας του VLM, που αποτυπώνει τι πρέπει να γίνει σε σχέση με το πού βρίσκονται τα αντικείμενα.

4. Ο Action Expert: flow matching και πολιτικές διάχυσης #

Τα χαρακτηριστικά του VLM περνούν απευθείας σε έναν Action Expert (300M παράμετροι) που λειτουργεί με βάση το flow matching. Σε αντίθεση με τις πρώιμες προσεγγίσεις μάθησης μέσω μίμησης, που βασίζονταν σε απλοϊκή παλινδρόμηση μέσου τετραγωνικού σφάλματος (MSE), η οποία κάνει τα μοντέλα να βγάζουν τον μέσο όρο αντικρουόμενων επιδείξεων και οδηγεί σε αναποφάσιστα, παγωμένα ρομπότ, το flow matching μοντελοποιεί την πολυτροπική κατανομή των ανθρώπινων τροχιών δράσης.

Χρησιμοποιώντας διαφορικές εξισώσεις ευθυγραμμισμένης ροής που επιλύονται σε δέκα βήματα αριθμητικής ολοκλήρωσης, ο Action Expert απαλείφει τον γκαουσιανό θόρυβο και παράγει μια συνεκτική τροχιά 30 μελλοντικών ενεργειών με συχνότητα ελέγχου 50 Hz.

5. Action chunking με χρονική συνάθροιση #

Προβλέποντας 30 διαδοχικά χρονικά βήματα (μια προσέγγιση γνωστή ως action chunking), η πολιτική εξαλείφει τα τινάγματα υψηλής συχνότητας και τα σημεία συμφόρησης λόγω καθυστέρησης. Το ρομπότ εκτελεί το πρώτο τμήμα ενεργειών ενώ υπολογίζει στο παρασκήνιο το επόμενο σχέδιο, επιτυγχάνοντας ομαλή, ενδοτική και συνεχή κίνηση βιολογικής ποιότητας.

Τεχνική σύγκριση: κλασικός αυτοματισμός έναντι φυσικής AI ανοιχτού κώδικα #

Μέτρο / αρχιτεκτονική διάσταση	Κλασική βιομηχανική ρομποτική (ROS / PLC / χειριστήριο προγραμματισμού)	Ιδιόκτητη κλειστή φυσική AI (ανθρωποειδείς στοίβες προμηθευτών)	Φυσική AI ανοιχτού κώδικα (στοίβα Hugging Face LeRobot)
Παράδειγμα ανάπτυξης	Διαδικαστικό· ρητές τροχιές αρθρώσεων και μηχανές πεπερασμένων καταστάσεων	Βαθιά μάθηση από άκρο σε άκρο· μαύρο κουτί με κλειστά βάρη· κλειδωμένα cloud API	VLA από άκρο σε άκρο· ανοιχτά βάρη, ανοιχτά σύνολα δεδομένων και ανοιχτοί βρόχοι εκπαίδευσης σε PyTorch
Φράγμα εισόδου σε υλικό	30.000 έως 100.000+ GBP ανά βιομηχανικό βραχίονα (KUKA, FANUC, ABB)	150.000 έως 350.000+ GBP ανά ιδιόκτητη ανθρωποειδή μονάδα	Από κάτω από 200 USD έως 1.500 USD με ανοιχτά σχέδια υλικού που τυπώνονται σε 3D (SO-100, Koch)
Ανθεκτικότητα στο περιβάλλον	Αποτυγχάνει αμέσως αν οι συντεταγμένες του εξαρτήματος μετατοπιστούν κατά χιλιοστά	Υψηλή προσαρμοστικότητα, αλλά η συμπεριφορά δεν μπορεί να ελεγχθεί ή να διορθωθεί τοπικά	Υψηλή οπτική προσαρμοστικότητα· οι πολιτικές ρυθμίζονται τοπικά σε κόμβους edge στον χώρο παραγωγής
Μορφή δεδομένων και τηλεμετρία	Ιδιόκτητες δυαδικές μορφές και καταχωρητές PLC κλειδωμένοι από τον προμηθευτή	Ιδιόκτητη κρυπτογραφημένη τηλεμετρία στο cloud	Τυποποιημένα σύνολα δεδομένων Apache Parquet, ροές βίντεο MP4 και Hugging Face Hub
Γενίκευση εργασιών	Μηδενική· κάθε νέα γεωμετρία εξαρτήματος απαιτεί πλήρη χειροκίνητο επαναπρογραμματισμό	Ευρείς ισχυρισμοί για εργασίες, αλλά αργή προσαρμογή σε εξειδικευμένα βιομηχανικά εργαλεία	Γρήγορη προσαρμογή με 50 έως 100 ανθρώπινες επιδείξεις καταγεγραμμένες με διατάξεις οδηγού-ακόλουθου
Απαιτήσεις υλικού για συμπερασμό	Αποκλειστικό PLC ή βιομηχανικός υπολογιστής με Linux πραγματικού χρόνου	Τεράστιες ενσωματωμένες συστοιχίες GPU με κατανάλωση 300 έως 800 W	Συμπερασμός σε καταναλωτικό πυρίτιο edge (μία RTX 4070 ή Apple Silicon σειράς M)

Πηγή: Ανάλυση δεδομένων της παρουσίασης, τεχνικών μετρήσεων και ζωντανών επιδείξεων στο Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, Λονδίνο, 13 Οκτωβρίου 2026).

Τι σημαίνει αυτό ανά τομέα #

Η άνοδος της ανοιχτής φυσικής AI, που αναπτύσσεται από την κοινότητα, αλλάζει τον εμπορικό λογαριασμό σε πολλούς κλάδους.

Μικρομεσαίες επιχειρήσεις (ΜμΕ) #

Οι ΜμΕ αντιπροσωπεύουν πάνω από το 80% της παραγωγικής ικανότητας της Ευρώπης και του Ηνωμένου Βασιλείου, ωστόσο ιστορικά λιγότερες από το 5% μπορούσαν να αντέξουν οικονομικά τον αυτοματισμό. Η εγκατάσταση μιας βιομηχανικής κυψέλης αυτοματισμού απαιτούσε πρόσληψη εξειδικευμένων ενοποιητών συστημάτων, εξαψήφιες άδειες λογισμικού και πάγωμα του χώρου παραγωγής κατά την εγκατάσταση.

Με το οικοσύστημα LeRobot, μια ΜμΕ που κατασκευάζει εξειδικευμένα στηρίγματα ακριβείας μπορεί να τυπώσει σε 3D έναν σταθμό εργασίας SO-100 με δύο βραχίονες για λιγότερο από 500 GBP, να τον εξοπλίσει με κάμερες web USB των 40 GBP και να καταγράψει πενήντα επιδείξεις ενός εργαζόμενου που τροφοδοτεί εξαρτήματα σε μια φρέζα CNC χρησιμοποιώντας έναν τυπωμένο σε 3D βραχίονα-οδηγό. Μετά από τρεις ώρες λεπτομερούς ρύθμισης σε έναν κοινό επιτραπέζιο υπολογιστή, η πολιτική ανοιχτού κώδικα μπορεί να εξυπηρετεί αυτόνομα τη μηχανή, με απόσβεση μέσα σε λίγες εβδομάδες.

Ακαδημαϊκή έρευνα και ανώτατη εκπαίδευση #

Μέχρι πρόσφατα, τα πανεπιστημιακά τμήματα ρομποτικής αντιμετώπιζαν ένα υπαρξιακό χάσμα: τα καλά χρηματοδοτούμενα εργαστήρια μπορούσαν να αγοράσουν πλατφόρμες Boston Dynamics ή Willow Garage, ενώ τα μικρότερα ιδρύματα περιορίζονταν σε καθαρές προσομοιώσεις σε Gazebo ή MuJoCo.

Η φυσική AI ανοιχτού κώδικα εκδημοκράτισε τον φυσικό πειραματισμό. Υποψήφιοι διδάκτορες σε όλο τον κόσμο μπορούν να κατασκευάζουν πανομοιότυπες πλατφόρμες υλικού, να μοιράζονται σημεία ελέγχου εκπαιδευμένων πολιτικών στο Hugging Face Hub και να αναπαράγουν αποτελέσματα αξιολογήσεων με στατιστική αυστηρότητα. Ο Kooijmans τόνισε ότι το αποθετήριο του LeRobot αναπτύχθηκε μέσα σε λίγους μήνες από μια χούφτα Ευρωπαίους συνεισφέροντες σε χιλιάδες ενεργούς ρομποτικούς παγκοσμίως, αποδεικνύοντας ότι η ανοιχτή πρόσβαση επιταχύνει την εμπειρική επικύρωση γρηγορότερα από τα κλειστά εταιρικά σιλό.

Συμβατική συναρμολόγηση υψηλής ποικιλίας και χαμηλού όγκου #

Στη συναρμολόγηση ηλεκτρονικών και ιατροτεχνολογικών προϊόντων, οι παραλλαγές προϊόντων αλλάζουν κάθε εβδομάδα. Οι σκληροκωδικοποιημένες γραμμές αυτοματισμού είναι οικονομικά μη βιώσιμες, επειδή το κόστος επανεξοπλισμού και επαναπρογραμματισμού υπερβαίνει το περιθώριο κέρδους της παρτίδας παραγωγής.

Οι πολιτικές όρασης-γλώσσας-δράσης αίρουν αυτόν τον περιορισμό μέσω της εξάρτησης της εργασίας από τη φυσική γλώσσα. Ένας χειριστής μπορεί να αλλάξει τη διαδικασία συναρμολόγησης απλώς πληκτρολογώντας μια νέα εντολή ή επιδεικνύοντας δύο επαναλήψεις της νέας υποσυναρμολόγησης. Οι μηχανισμοί διασταυρούμενης προσοχής του μοντέλου αξιοποιούν προεκπαιδευμένες οπτικές αναπαραστάσεις για να αναγνωρίζουν νέα εξαρτήματα χωρίς επανεκπαίδευση ολόκληρου του νευρωνικού δικτύου.

Γκρεμίζοντας το τείχος των δεδομένων: τηλεχειρισμός, Parquet και μοντέλα κόσμου #

Η κεντρική διαπίστωση που μετέφερε ο Kooijmans στους επιχειρηματικούς ηγέτες είναι ότι το κύριο σημείο συμφόρησης της φυσικής AI δεν είναι πλέον η χωρητικότητα των μοντέλων, αλλά η ποικιλία των επιδείξεων.

Στην επεξεργασία φυσικής γλώσσας, τα μοντέλα εκπαιδεύτηκαν σε τρισεκατομμύρια tokens που συλλέχθηκαν από τον ανοιχτό ιστό. Στη φυσική ρομποτική δεν υπάρχει προϋπάρχον «διαδίκτυο του φυσικού χειρισμού». Κάθε επίδειξη μιας λαβίδας που πιάνει ένα αντικείμενο, περιστρέφει μια βαλβίδα ή διπλώνει ύφασμα πρέπει να καταγραφεί στον φυσικό κόσμο μέσω τηλεχειρισμού εξοπλισμένου με αισθητήρες.

Το Hugging Face LeRobot αντιμετωπίζει την πρόκληση αυτή με τρεις βασικές πρωτοβουλίες:

Διατάξεις τηλεχειρισμού οδηγού-ακόλουθου: Με φθηνούς, τυπωμένους σε 3D παθητικούς βραχίονες «οδηγούς», εξοπλισμένους με μαγνητικούς κωδικοποιητές που αντικατοπτρίζουν μηχανικά το ενεργό ρομπότ «ακόλουθο», οι άνθρωποι χειριστές μπορούν να τηλεχειρίζονται το ρομπότ χωρίς κόπο σε πραγματικό χρόνο, καταγράφοντας ταυτόχρονα γωνίες αρθρώσεων, ταχύτητες και βίντεο πολλαπλών λήψεων.
Τυποποιημένα σχήματα συνόλων δεδομένων Parquet: Οι επιδείξεις πακετάρονται σε τυποποιημένους πίνακες Apache Parquet υψηλών επιδόσεων, αντιστοιχισμένους σε τμηματοποιημένες ροές βίντεο MP4. Έτσι, τα τυπικά εργαλεία μηχανικής δεδομένων (Polars, DuckDB, PyArrow) μπορούν να επεξεργάζονται terabytes ρομποτικής τηλεμετρίας με υψηλές ταχύτητες.
Sim-to-real και εμπλουτισμός με μοντέλα κόσμου: Για να κλιμακωθεί η συλλογή πέρα από τα όρια του φυσικού τηλεχειρισμού, τα μοντέλα κόσμου ανοιχτού κώδικα μαθαίνουν γενετική φυσική δυναμική. Αφού εκπαιδευτούν σε ένα βασικό σύνολο πραγματικών επιδείξεων, τα μοντέλα κόσμου προσομοιώνουν εκατομμύρια αντιγεγονικά σενάρια (μεταβαλλόμενος φωτισμός, πρόσθετη ακαταστασία, αλλαγμένη τριβή του τραπεζιού) απευθείας στον λανθάνοντα χώρο, δοκιμάζοντας τις πολιτικές υπό πίεση πριν από την ανάπτυξη στον πραγματικό κόσμο.

Συμπέρασμα #

Η παρουσίαση του Hugging Face LeRobot στο Economist Enterprise Physical AI and Robotics Summit αποκρυστάλλωσε ένα καθοριστικό σημείο καμπής για τον κλάδο της ρομποτικής. Η εποχή κατά την οποία η ρομποτική απαιτούσε κεφαλαιακούς προϋπολογισμούς πολλών εκατομμυρίων λιρών, ιδιόκτητες γλώσσες προγραμματισμού και άκαμπτα εργοστασιακά κλουβιά δίνει τη θέση της σε ένα ανοιχτό, συνεργατικό οικοσύστημα που βασίζεται στα δεδομένα.

Ενώνοντας πολυτροπικά θεμελιώδη μοντέλα όρασης-γλώσσας με action chunking βασισμένο σε flow matching και προσιτό ανοιχτό υλικό, η φυσική AI ανοιχτού κώδικα μετατρέπει τα ρομπότ από εύθραυστα αυτόματα σε προσαρμοστικά συστήματα που μαθαίνουν. Για τους ηγέτες μηχανικής και τα στελέχη τεχνολογίας, η στρατηγική εντολή είναι σαφής: το ανταγωνιστικό πλεονέκτημα δεν θα προέρχεται πλέον από την κατοχή ιδιόκτητου μηχανικού υλικού, αλλά από την κυριαρχία στις αλυσίδες δεδομένων, στις ροές εργασίας συλλογής επιδείξεων και στα θεμελιώδη μοντέλα που διδάσκουν τις μηχανές να κατακτούν τον φυσικό κόσμο.

Συχνές ερωτήσεις #

Τι είναι το Hugging Face LeRobot; Το Hugging Face LeRobot είναι ένα πλαίσιο ανοιχτού κώδικα και μια πρωτοβουλία της κοινότητας με στόχο τον εκδημοκρατισμό της ρομποτικής και της φυσικής AI. Προσφέρει υλοποιήσεις σε PyTorch των πιο προηγμένων αλγορίθμων μάθησης μέσω μίμησης, τυποποιημένες μορφές συνόλων δεδομένων, προεκπαιδευμένα θεμελιώδη μοντέλα όρασης-γλώσσας-δράσης (VLA) και σχέδια υλικού ανοιχτού κώδικα (όπως το SO-100), ώστε να μειώσει τα οικονομικά και τεχνικά εμπόδια εισόδου στη ρομποτική.

Σε τι διαφέρει η μάθηση μέσω μίμησης από τον κλασικό προγραμματισμό ρομπότ; Ο κλασικός προγραμματισμός ρομπότ απαιτεί από έναν μηχανικό να γράψει ρητό διαδικαστικό κώδικα που καθορίζει ακριβείς καρτεσιανές συντεταγμένες, λύσεις αντίστροφης κινηματικής και μεταβάσεις καταστάσεων με χειριστήρια προγραμματισμού ή σενάρια ROS. Η μάθηση μέσω μίμησης, αντίθετα, εκπαιδεύει νευρωνικά δίκτυα να μιμούνται την ανθρώπινη συμπεριφορά παρατηρώντας καταγεγραμμένες επιδείξεις ανθρώπων που εκτελούν την εργασία μέσω τηλεχειρισμού, μαθαίνοντας μια πολιτική που αντιστοιχίζει τις αισθητηριακές παρατηρήσεις απευθείας σε εντολές κινητήρων.

Ποιος είναι ο ρόλος του Gemma VLM στην αλυσίδα της φυσικής AI; Στις σύγχρονες αρχιτεκτονικές φυσικής AI, το μοντέλο όρασης-γλώσσας Gemma (VLM) λειτουργεί ως ο πολυτροπικός μηχανισμός συλλογισμού. Δέχεται οπτικά tokens από τις κάμερες (κωδικοποιημένα μέσω SigLIP), το φυσικό διάνυσμα κατάστασης αρθρώσεων του ρομπότ και οδηγίες σε φυσική γλώσσα. Με διασταυρούμενη προσοχή συγχωνεύει τη σημασιολογική πρόθεση με την οπτική γεωμετρία, παράγοντας αναπαραστάσεις εργασίας υψηλού επιπέδου που καθοδηγούν τον Action Expert.

Τι είναι το flow matching στην πρόβλεψη ενεργειών ρομπότ; Το flow matching είναι μια τεχνική γενετικής μοντελοποίησης συγγενής με τις συνεχείς κανονικοποιητικές ροές και τα μοντέλα διάχυσης. Στη ρομποτική, μετατρέπει απλό γκαουσιανό θόρυβο σε σύνθετες, πολυτροπικές τροχιές δράσης επιλύοντας συνήθεις διαφορικές εξισώσεις σε πολλαπλά βήματα. Έτσι το ρομπότ μπορεί να χειρίζεται αμφίσημες καταστάσεις όπου υπάρχουν πολλές έγκυρες κινήσεις, αποφεύγοντας τα σφάλματα υπολογισμού μέσου όρου που κάνουν απλούστερα μοντέλα παλινδρόμησης να αποτυγχάνουν.

Μπορούν τυπωμένοι σε 3D ρομποτικοί βραχίονες κάτω από 200 USD να εκτελούν εργασίες επιπέδου παραγωγής; Αν και οι βραχίονες κάτω από 200 USD, όπως ο SO-100, δεν διαθέτουν το ωφέλιμο φορτίο, τη δομική ακαμψία και την επαναληψιμότητα κάτω του χιλιοστού που απαιτούνται για βαριές κατεργασίες στην αεροδιαστημική, είναι απολύτως ικανοί για λεπτούς χειρισμούς, επιθεωρήσεις, χειρισμό υγρών σε εργαστήρια και συναρμολόγηση κιτ μικρών εξαρτημάτων. Ακόμη σημαντικότερο, πολιτικές που εκπαιδεύονται και επικυρώνονται σε αυτές τις οικονομικές πλατφόρμες μπορούν να μεταφερθούν απευθείας σε συνεργατικούς ρομποτικούς βραχίονες βιομηχανικής κλάσης με ελάχιστη λεπτομερή ρύθμιση.

Βιβλιογραφία #

Economist Enterprise, (2026). Physical AI & Robotics Summit: επιχειρησιακό πλεονέκτημα μέσω αυτόνομων συστημάτων ⧉. Economist Enterprise.
Kooijmans, P., (2026). Ανοιχτοί για δουλειές: πώς ο ανοιχτός κώδικας επιταχύνει τη φυσική AI ⧉. Hugging Face.
Hugging Face, (2026). LeRobot: μηχανική μάθηση αιχμής για πραγματική ρομποτική σε PyTorch ⧉. GitHub.
Chi, C., Xu, Z., Feng, S., Cousineau, E., Du, Y., Burchfiel, B. και Song, S., (2024). Diffusion Policy: μάθηση οπτικοκινητικών πολιτικών μέσω διάχυσης δράσεων ⧉. Columbia University & MIT.
Zhao, T. Z., Kumar, V., Levine, S. και Finn, C., (2023). Μάθηση λεπτού χειρισμού με δύο χέρια σε φθηνό υλικό ⧉. Stanford University.
Zhai, X., Mustafa, B., Kolesnikov, A. και Beyer, L., (2023). Σιγμοειδής συνάρτηση απώλειας για προεκπαίδευση γλώσσας-εικόνας (SigLIP) ⧉. Google DeepMind.
Lipman, Y., Chen, R. T. Q., Ben-Hamu, H., Nicklas, M. και Le, M., (2023). Flow matching για γενετική μοντελοποίηση ⧉. Meta AI Research.

Τελευταία αναθεώρηση 2026-10-13.

Τελευταία αναθεώρηση 2026-10-27.

Αναδημοσίευση αυτού του άρθρου

Φυσική AI ανοιχτού κώδικα: πώς το LeRobot ανοίγει τη ρομποτική — Sebastien Rousseau

Στη σύνοδο του Economist για τη φυσική AI στο Λονδίνο, ο Pepijn Kooijmans έδειξε πώς το LeRobot, ανοιχτά μοντέλα και βραχίονες 200 USD ρίχνουν τα εμπόδια.

Αυτό το άρθρο διατίθεται με άδεια Creative Commons Attribution 4.0 International. Η αναδημοσίευση απαιτεί αναφορά στην κανονική διεύθυνση URL.

Φυσική AI ανοιχτού κώδικα: πώς το LeRobot ανοίγει τη ρομποτική — Sebastien Rousseau

Στη σύνοδο του Economist για τη φυσική AI στο Λονδίνο, ο Pepijn Kooijmans έδειξε πώς το LeRobot, ανοιχτά μοντέλα και βραχίονες 200 USD ρίχνουν τα εμπόδια.

Originally published at https://sebastienrousseau.com/el/2026-10-13-fysiki-ai-anoichtoy-kodika-lerobot-anoigei/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER