ఆరు దశాబ్దాలుగా పారిశ్రామిక రోబోటిక్స్ ఒక కఠినమైన విధానంలో నడుస్తోంది: ఒక మానవ ఇంజినీర్ యాజమాన్య భాషలు, టీచ్ పెండెంట్లు, దృఢమైన కైనమాటిక్ సాల్వర్లను ఉపయోగించి యంత్రం కదలికలోని ప్రతి మిల్లీమీటర్‌ను స్పష్టంగా ప్రోగ్రామ్ చేస్తారు. వర్క్‌పీస్ ఐదు మిల్లీమీటర్లు జరిగినా, వెలుతురు మారినా రోబో దోషం చూపుతుంది. 2026 అక్టోబర్ 13న లండన్‌లో జరిగిన Economist Enterprise Physical AI and Robotics Summitలో Hugging Face LeRobot సారథి Pepijn Kooijmans ఈ వారసత్వాన్ని కూల్చివేస్తున్న ప్రత్యామ్నాయ నిర్మాణాన్ని ప్రదర్శించారు: “భవిష్యత్ రోబోలను ఒక్కో పనికి ప్రోగ్రామ్ చేయరు. అవి నేర్చుకుంటాయి.”
మోషన్ ప్లానింగ్ నుంచి ఇమిటేషన్ లెర్నింగ్ వరకు: నిర్మాణాత్మక మార్పు #
Open for business: how open source is accelerating physical AI (వ్యాపారానికి తెరచి ఉంది: ఓపెన్ సోర్స్ ఫిజికల్ AIని ఎలా వేగవంతం చేస్తోంది) అనే కేస్ స్టడీ ప్రదర్శనలో Pepijn Kooijmans సంప్రదాయ మెకట్రానిక్స్ ఇంజినీరింగ్ నుంచి డీప్ లెర్నింగ్ వరకు తన ప్రయాణాన్ని వివరించారు. దశాబ్దాల పాటు రోబోటిక్స్ నిపుణులకు మానిప్యులేషన్‌ను విడివిడి, వేరైన ఉప-సమస్యలుగా విభజించడం నేర్పారు: వస్తు విభజన, 6D భంగిమ అంచనా, నిర్దేశాంక చట్రాల మార్పిడి, ఢీకొనకుండా మార్గ ప్రణాళిక, కీళ్ల PID మోటార్ నియంత్రణ.
భాగాలు మైక్రాన్ కచ్చితత్వం గల ఉక్కు జిగ్‌లలో వచ్చే, దృఢంగా అమర్చిన ఆటోమోటివ్ ప్లాంట్లలో ఈ విశ్లేషణాత్మక విభజన బాగా పనిచేస్తుంది; కానీ పాత పారిశ్రామిక ప్రాంగణాలు, ప్రయోగశాలలు, గిడ్డంగులు, గృహ పరిసరాల్లో అది కుప్పకూలుతుంది. వాస్తవ ప్రపంచంలో వస్తువులు ఆకారం మారుతాయి, ఉపరితలాలు కాంతిని ఊహించని విధంగా ప్రతిఫలిస్తాయి, మానవ సహోద్యోగులు కదిలే అడ్డంకులను సృష్టిస్తారు.
Hugging Face ప్రదర్శించిన మౌలిక సిద్ధాంతం ఇది: శారీరక నైపుణ్యాన్ని చేతితో రాసిన నియమాలతో విశ్లేషణాత్మకంగా నిర్వచించలేము; దాన్ని అనుభవం ద్వారానే సంపాదించాలి. పెద్ద భాషా మోడళ్లు (LLM) భారీ పాఠ్య సంకలనాల్లో తదుపరి టోకెన్‌ను అంచనా వేయడం ద్వారా వ్యాకరణం, తర్కం, ప్రపంచ జ్ఞానం నేర్చుకున్నట్లే, ఫిజికల్ AI ఏజెంట్లు దృశ్య, ఇంద్రియ పరిశీలనలపై ఆధారపడిన చర్యల పంపిణీని నేర్చుకుని మోటార్ నైపుణ్యాలు సంపాదిస్తాయి.
ప్రతి కదలికను ప్రోగ్రామ్ చేయడం నుంచి మానవ ప్రదర్శనల ద్వారా నేర్పడం వైపు జరిగే ఈ మార్పు, రోబోటిక్స్ తన ఫౌండేషన్ మోడల్ యుగంలోకి ప్రవేశించడాన్ని సూచిస్తుంది.
బహుళ-మోడల్ VLA నిర్మాణం లోపల #
తన ప్రసంగంలో Kooijmans ఆధునిక ఓపెన్-సోర్స్ ఫిజికల్ AI విధానాలను నడిపించే వివరమైన ఎండ్-టు-ఎండ్ న్యూరల్ నెట్‌వర్క్ పైప్‌లైన్‌ను వెల్లడించి, అధిక-పరిమాణ గ్రహణ ఇన్‌పుట్‌లు సహజమైన శారీరక మానిప్యులేషన్‌గా ఎలా మారుతాయో వివరించారు.
.class="img-fluid clearfix"
ఈ నిర్మాణం గట్టిగా ఏకీకృతమైన బహుళ-మోడల్ సెన్సరీ-మోటార్ పైప్‌లైన్‌గా పనిచేస్తుంది:
1. గ్రహణ బహుళ-స్ట్రీమ్ స్వీకరణ #
రోబో అనేక సమకాలీన కెమెరా స్ట్రీమ్‌ల ద్వారా తన పని ప్రదేశాన్ని గమనిస్తుంది (సాధారణంగా ప్రాదేశిక సందర్భాన్ని ఇచ్చే పైభాగపు బేస్ కెమెరా, దానితోపాటు సూక్ష్మ స్పర్శను గమనించేందుకు ఎడమ, కుడి మానిప్యులేటర్ల మణికట్టుపై అమర్చిన కెమెరాలు).
ఈ ముడి పిక్సెల్ స్ట్రీమ్‌లు స్తంభింపజేసిన SigLIP (400M పారామితులు) విజన్ ట్రాన్స్‌ఫార్మర్‌కు పంపబడతాయి; అది వీడియో ఫ్రేమ్‌లను దట్టమైన దృశ్య టోకెన్లుగా మారుస్తుంది, దాంతో విధానాన్ని ఫైన్-ట్యూన్ చేసేటప్పుడు విజన్ బ్యాక్‌బోన్ గుండా ఖరీదైన ఎండ్-టు-ఎండ్ గ్రేడియంట్ నవీకరణల అవసరం ఉండదు.
2. కైనమాటిక్ స్థితి వెక్టర్, పని నిర్ధారణ #
అదే సమయంలో వ్యవస్థ భౌతిక రోబో అంతర్గత ప్రోప్రియోసెప్టివ్ స్థితిని నమూనా తీస్తుంది: రెండు మానిప్యులేటర్ల 7 కీళ్ల కోణాలు, వేగాలు, గ్రిప్పర్ తెరుచుకునే వెడల్పులను నమోదు చేసే 16-పరిమాణ వెక్టర్.
వినియోగదారు ఏదైనా సహజ భాషా ప్రాంప్ట్ ద్వారా కార్యాచరణ లక్ష్యాన్ని ఇస్తారు (ఉదాహరణకు "fold the t-shirt", "pick the M8 hex bolt and place it in the bracket" లేదా "route the cable through the conduit"); దాన్ని ప్రామాణిక టెక్స్ట్ ఎంబెడింగ్‌లుగా టోకనైజ్ చేస్తారు.
3. బహుళ-మోడల్ క్రాస్-అటెన్షన్ కేంద్రం (Gemma VLM) #
దృశ్య టోకెన్లు, ప్రోప్రియోసెప్టివ్ స్థితి వెక్టర్, టెక్స్ట్ టోకెన్లను ఒక Gemma విజన్-లాంగ్వేజ్ మోడల్‌లో (2B పారామితులు) ప్రవేశపెడతారు. కేవలం టెక్స్ట్ టోకెన్లను ఉత్పత్తి చేయడానికి బదులు, Gemma VLM మూడు మోడాలిటీలపై లోతైన క్రాస్-అటెన్షన్ చేసి, భాషా సూచనలోని ఉన్నత స్థాయి అర్థ ఉద్దేశాన్ని దృశ్యంలోని ప్రాదేశిక జ్యామితితోనూ, ఆర్మ్ తక్షణ యాంత్రిక అమరికతోనూ మేళవిస్తుంది.
ఈ మేళవించిన ఫౌండేషన్ మోడల్ అవుట్‌పుట్ VLM పని లక్షణాల దట్టమైన ప్రాతినిధ్యం; వస్తువులు ఎక్కడ ఉన్నాయో దానికి సంబంధించి ఏమి చేయాలో అది ఇముడ్చుకుంటుంది.
4. యాక్షన్ ఎక్స్‌పర్ట్: ఫ్లో మ్యాచింగ్, డిఫ్యూజన్ విధానాలు #
VLM లక్షణాలు నేరుగా ఫ్లో-మ్యాచింగ్ సూత్రాలపై నడిచే ఒక యాక్షన్ ఎక్స్‌పర్ట్‌లోకి (300M పారామితులు) వెళ్తాయి. తొలినాటి ఇమిటేషన్ లెర్నింగ్ పద్ధతులు సరళమైన మీన్ స్క్వేర్డ్ ఎర్రర్ (MSE) రిగ్రెషన్‌పై ఆధారపడేవి; దాంతో మోడళ్లు పరస్పర విరుద్ధ ప్రదర్శనల సగటును ఇచ్చి, రోబోలు నిర్ణయించుకోలేక స్తంభించిపోయేవి. దీనికి భిన్నంగా ఫ్లో మ్యాచింగ్ మానవ చర్యా మార్గాల బహుళ-శిఖర పంపిణీని మోడల్ చేస్తుంది.
పది సంఖ్యాత్మక సమాకలన దశల్లో పరిష్కరించే రెక్టిఫైడ్ ఫ్లో అవకలన సమీకరణాలను ఉపయోగించి, యాక్షన్ ఎక్స్‌పర్ట్ గాసియన్ నాయిస్‌ను 50Hz నియంత్రణ పౌనఃపున్యంలో 30 భవిష్యత్ చర్యల పొందికైన మార్గంగా మారుస్తుంది.
5. టెంపోరల్ ఎన్‌సెంబ్లింగ్‌తో యాక్షన్ చంకింగ్ #
వరుసగా 30 కాల దశలను అంచనా వేయడం ద్వారా (దీన్ని యాక్షన్ చంకింగ్ అంటారు) విధానం అధిక-పౌనఃపున్య కుదుపులను, జాప్య అడ్డంకులను తొలగిస్తుంది. రోబో చర్యల తొలి భాగాన్ని అమలు చేస్తూనే నేపథ్యంలో తదుపరి ప్రణాళికను లెక్కించి, సాఫీగా, అనుకూలంగా, నిరంతరంగా సాగే జీవ స్థాయి కదలికను సాధిస్తుంది.
సాంకేతిక పోలిక: సంప్రదాయ ఆటోమేషన్ వర్సెస్ ఓపెన్-సోర్స్ ఫిజికల్ AI #
| ప్రమాణం / నిర్మాణాత్మక అంశం | సంప్రదాయ పారిశ్రామిక రోబోటిక్స్ (ROS / PLC / టీచ్ పెండెంట్) | యాజమాన్య మూసి ఉన్న ఫిజికల్ AI (విక్రేతల హ్యూమనాయిడ్ స్టాక్‌లు) | ఓపెన్-సోర్స్ ఫిజికల్ AI (Hugging Face LeRobot స్టాక్) |
|---|---|---|---|
| అభివృద్ధి విధానం | విధానపరమైనది; స్పష్టమైన కీళ్ల మార్గాలు, పరిమిత స్టేట్ మెషిన్లు | ఎండ్-టు-ఎండ్ డీప్ లెర్నింగ్; బ్లాక్-బాక్స్ మూసి ఉన్న వెయిట్లు; లాక్ చేసిన క్లౌడ్ API | ఎండ్-టు-ఎండ్ VLA; తెరిచిన వెయిట్లు, తెరిచిన డేటాసెట్లు, తెరిచిన PyTorch శిక్షణ లూప్‌లు |
| ప్రవేశానికి హార్డ్‌వేర్ అడ్డంకి | ఒక్కో పారిశ్రామిక ఆర్మ్‌కు £30,000 నుంచి £100,000+ (KUKA, FANUC, ABB) | ఒక్కో యాజమాన్య హ్యూమనాయిడ్ యూనిట్‌కు £150,000 నుంచి £350,000+ | 3D-ప్రింట్ చేయగల తెరిచిన హార్డ్‌వేర్ డిజైన్లతో $200 లోపు నుంచి $1,500 వరకు (SO-100, Koch) |
| పరిసర దృఢత్వం | భాగం నిర్దేశాంకాలు మిల్లీమీటర్లు జరిగితే వెంటనే విఫలం | అధిక అనుకూలత, కానీ ప్రవర్తనను తనిఖీ చేయలేం, స్థానికంగా సరిదిద్దలేం | అధిక దృశ్య అనుకూలత; షాప్-ఫ్లోర్ ఎడ్జ్ నోడ్‌లలో విధానాలను స్థానికంగా ఫైన్-ట్యూన్ చేయవచ్చు |
| డేటా ఫార్మాట్, టెలిమెట్రీ | విక్రేతకు బంధించిన యాజమాన్య బైనరీ ఫార్మాట్లు, PLC రిజిస్టర్లు | యాజమాన్య ఎన్‌క్రిప్టెడ్ క్లౌడ్ టెలిమెట్రీ | ప్రామాణిక Apache Parquet డేటాసెట్లు, MP4 వీడియో స్ట్రీమ్‌లు, Hugging Face Hub |
| పని సాధారణీకరణ | సున్నా; ప్రతి కొత్త భాగం జ్యామితికి పూర్తి చేతి రీ-ప్రోగ్రామింగ్ | విస్తృత పని వాదనలు, కానీ ప్రత్యేక పారిశ్రామిక పరికరాలకు నెమ్మదిగా అనుకూలన | లీడర్-ఫాలోయర్ రిగ్‌లపై నమోదు చేసిన 50 నుంచి 100 మానవ ప్రదర్శనలతో వేగవంతమైన అనుకూలన |
| ఇన్ఫరెన్స్ హార్డ్‌వేర్ పరిమాణం | రియల్-టైమ్ Linux నడిపే ప్రత్యేక PLC లేదా పారిశ్రామిక IPC | 300W నుంచి 800W విద్యుత్ తీసుకునే భారీ ఆన్-బోర్డ్ మొబైల్ GPU క్లస్టర్లు | వినియోగదారు ఎడ్జ్ సిలికాన్‌పై ఇన్ఫరెన్స్ (ఒకే RTX 4070 లేదా Apple Silicon M-సిరీస్) |
ఆధారం: Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, లండన్, 2026 అక్టోబర్ 13)లో ప్రదర్శించిన డేటా, సాంకేతిక బెంచ్‌మార్క్‌లు, ప్రత్యక్ష ప్రదర్శనల విశ్లేషణ.
రంగాల వారీగా దీని అర్థం #
తెరిచిన, సమాజం నడిపే ఫిజికల్ AI ఆవిర్భావం అనేక పరిశ్రమల్లో వాణిజ్య లెక్కలను మారుస్తోంది.
చిన్న, మధ్యతరహా సంస్థలు (SME) #
యూరప్, యునైటెడ్ కింగ్‌డమ్ తయారీ సామర్థ్యంలో 80% కంటే ఎక్కువ SMEలదే; అయినా చారిత్రకంగా వాటిలో 5% కంటే తక్కువ మాత్రమే ఆటోమేషన్ ఖర్చు భరించగలిగాయి. పారిశ్రామిక ఆటోమేషన్ సెల్‌ను నెలకొల్పాలంటే నిపుణులైన సిస్టమ్ ఇంటిగ్రేటర్లను నియమించాలి, ఆరు అంకెల సాఫ్ట్‌వేర్ లైసెన్స్ రుసుము చెల్లించాలి, అమరిక సమయంలో ఫ్యాక్టరీ అంతస్తును నిలిపివేయాలి.
LeRobot పర్యావరణ వ్యవస్థతో, ప్రత్యేక కచ్చితమైన బ్రాకెట్లు తయారుచేసే ఒక SME £500 లోపు ఖర్చుతో రెండు ఆర్మ్‌ల SO-100 వర్క్‌స్టేషన్‌ను 3D-ప్రింట్ చేసి, దానికి £40 USB వెబ్‌క్యామ్‌లు అమర్చి, 3D-ప్రింట్ చేసిన లీడర్ ఆర్మ్ ద్వారా CNC మిల్లింగ్ యంత్రంలో భాగాలను ఎక్కించే కార్మికుడి యాభై ప్రదర్శనలను నమోదు చేయగలదు. సాధారణ డెస్క్‌టాప్ కంప్యూటర్‌పై మూడు గంటల ఫైన్-ట్యూనింగ్‌లోనే ఓపెన్-సోర్స్ విధానం యంత్ర నిర్వహణ పనిని స్వయంప్రతిపత్తంగా చేయగలుగుతుంది, కొన్ని వారాల్లోనే పెట్టుబడి తిరిగి వస్తుంది.
విద్యా పరిశోధన, ఉన్నత విద్య #
ఇటీవలి వరకు విశ్వవిద్యాలయాల రోబోటిక్స్ విభాగాలు ఒక లోతైన చీలికకు ఇరువైపులా ఉండేవి: నిధులు పుష్కలంగా ఉన్న ప్రయోగశాలలు Boston Dynamics లేదా Willow Garage వేదికలను కొనగలిగేవి, చిన్న సంస్థలు Gazebo లేదా MuJoCoలో కేవలం సిమ్యులేషన్లు నడపడానికే పరిమితమయ్యేవి.
ఓపెన్-సోర్స్ ఫిజికల్ AI భౌతిక ప్రయోగాలను అందరికీ అందుబాటులోకి తెచ్చింది. ప్రపంచవ్యాప్తంగా పీజీ విద్యార్థులు ఒకే రకమైన హార్డ్‌వేర్ వేదికలను నిర్మించవచ్చు, శిక్షణ పొందిన విధాన చెక్‌పాయింట్లను Hugging Face Hubలో పంచుకోవచ్చు, బెంచ్‌మార్క్ ఫలితాలను గణాంక కచ్చితత్వంతో పునరుత్పత్తి చేయవచ్చు. LeRobot రిపాజిటరీ కొన్ని నెలల్లోనే కొద్దిమంది యూరోపియన్ సహకారుల నుంచి ప్రపంచవ్యాప్తంగా వేలాది చురుకైన రోబోటిక్స్ నిపుణుల వరకు పెరిగిందని Kooijmans నొక్కిచెప్పారు; తెరిచిన ప్రాప్యత యాజమాన్య కార్పొరేట్ గోతుల కంటే వేగంగా అనుభవ ధ్రువీకరణను ముందుకు తీసుకెళ్తుందని ఇది రుజువు చేస్తుంది.
అధిక వైవిధ్యం, తక్కువ పరిమాణం గల కాంట్రాక్ట్ అసెంబ్లీ #
ఎలక్ట్రానిక్స్, వైద్య పరికరాల అసెంబ్లీలో ఉత్పత్తి రకాలు ప్రతి వారం మారుతాయి. కోడ్‌లో స్థిరపరిచిన ఆటోమేషన్ లైన్లు ఆర్థికంగా లాభసాటి కావు, ఎందుకంటే రీ-టూలింగ్, రీ-ప్రోగ్రామింగ్ ఖర్చులు ఉత్పత్తి బ్యాచ్ లాభ మార్జిన్‌ను మించిపోతాయి.
విజన్-లాంగ్వేజ్-యాక్షన్ విధానాలు సహజ భాషా పని నిర్ధారణ ద్వారా ఈ పరిమితిని పరిష్కరిస్తాయి. ఆపరేటర్ కేవలం కొత్త ఆదేశాన్ని టైప్ చేసి లేదా కొత్త ఉప-అసెంబ్లీని రెండుసార్లు చేసి చూపి అసెంబ్లీ విధానాన్ని మార్చవచ్చు. మోడల్ క్రాస్-అటెన్షన్ యంత్రాంగాలు ముందే శిక్షణ పొందిన దృశ్య ప్రాతినిధ్యాలను ఉపయోగించి, మొత్తం న్యూరల్ నెట్‌వర్క్‌ను మళ్లీ శిక్షణ ఇవ్వకుండానే కొత్త భాగాలను గుర్తిస్తాయి.
డేటా గోడను ఛేదించడం: టెలిఆపరేషన్, Parquet, వరల్డ్ మోడళ్లు #
Kooijmans సంస్థల నాయకులకు అందించిన కేంద్ర అంతర్దృష్టి: ఫిజికల్ AIలో ప్రధాన అడ్డంకి ఇకపై మోడల్ సామర్థ్యం కాదు; అది ప్రదర్శనల వైవిధ్యం.
సహజ భాషా ప్రాసెసింగ్‌లో మోడళ్లు తెరిచిన వెబ్ నుంచి సేకరించిన లక్షల కోట్ల టోకెన్లపై శిక్షణ పొందాయి. భౌతిక రోబోటిక్స్‌లో ముందే ఉన్న “భౌతిక మానిప్యులేషన్ ఇంటర్నెట్” ఏదీ లేదు. గ్రిప్పర్ ఒక వస్తువును ఎత్తడం, వాల్వ్‌ను తిప్పడం, బట్టను మడవడం వంటి ప్రతి ప్రదర్శనను సెన్సర్లు అమర్చిన టెలిఆపరేషన్ ద్వారా భౌతిక ప్రపంచంలోనే నమోదు చేయాలి.
Hugging Face LeRobot ఈ సవాలును మూడు ప్రధాన చొరవల ద్వారా ఎదుర్కొంటుంది:
- లీడర్-ఫాలోయర్ టెలిఆపరేషన్ రిగ్‌లు: క్రియాశీల “ఫాలోయర్” రోబోను యాంత్రికంగా అనుకరించే, అయస్కాంత ఎన్‌కోడర్లు అమర్చిన తక్కువ ఖర్చు 3D-ప్రింటెడ్ నిష్క్రియ “లీడర్” ఆర్మ్‌లను రూపొందించడం ద్వారా, మానవ ఆపరేటర్లు నిజ సమయంలో రోబోను సులభంగా టెలిఆపరేట్ చేస్తూ, కీళ్ల కోణాలు, వేగాలు, బహుళ-దృక్కోణ వీడియోను ఏకకాలంలో నమోదు చేయగలరు.
- ప్రామాణిక Parquet డేటాసెట్ స్కీమాలు: ప్రదర్శనలను ఖండిత MP4 వీడియో ఫీడ్‌లకు అనుసంధానించిన, ప్రామాణిక, అధిక పనితీరు గల Apache Parquet పట్టికల్లో ప్యాక్ చేస్తారు. దీనివల్ల ప్రామాణిక డేటా ఇంజినీరింగ్ సాధనాలు (Polars, DuckDB, PyArrow) టెరాబైట్ల రోబోటిక్ టెలిమెట్రీని అధిక వేగంతో ప్రాసెస్ చేయగలవు.
- సిమ్-టు-రియల్, వరల్డ్ మోడల్ విస్తరణ: భౌతిక టెలిఆపరేషన్ పరిమితులను దాటి విస్తరించేందుకు, ఓపెన్-సోర్స్ వరల్డ్ మోడళ్లు జనరేటివ్ భౌతిక గతిశీలతను నేర్చుకుంటాయి. వాస్తవ ప్రపంచ ప్రదర్శనల మూల డేటాసెట్‌పై శిక్షణ పొందాక, వరల్డ్ మోడళ్లు లేటెంట్ స్పేస్‌లోనే లక్షలాది ప్రతి-వాస్తవ దృశ్యాలను సిమ్యులేట్ చేసి (వెలుతురు మార్చి, చిందరవందరను జోడించి, బల్ల ఘర్షణను మార్చి) వాస్తవ వినియోగానికి ముందే విధానాలను కఠినంగా పరీక్షిస్తాయి.
ముగింపు #
Economist Enterprise Physical AI and Robotics Summitలో Hugging Face LeRobot ప్రదర్శన రోబోటిక్స్ పరిశ్రమలో ఒక నిర్ణయాత్మక మలుపును స్పష్టం చేసింది. రోబోటిక్స్‌కు కోట్లాది పౌండ్ల మూలధన బడ్జెట్లు, యాజమాన్య ప్రోగ్రామింగ్ భాషలు, దృఢమైన ఫ్యాక్టరీ బోనులు అవసరమైన యుగం, తెరిచిన, సహకారాత్మక, డేటా ఆధారిత పర్యావరణ వ్యవస్థకు దారి ఇస్తోంది.
బహుళ-మోడల్ విజన్-లాంగ్వేజ్ ఫౌండేషన్ మోడళ్లను ఫ్లో-మ్యాచింగ్ యాక్షన్ చంకింగ్‌తోనూ, సరసమైన తెరిచిన హార్డ్‌వేర్‌తోనూ కలపడం ద్వారా ఓపెన్-సోర్స్ ఫిజికల్ AI రోబోలను పెళుసైన స్వయంచాలక యంత్రాల నుంచి అనుకూలించే, నేర్చుకునే వ్యవస్థలుగా మారుస్తోంది. ఇంజినీరింగ్ నాయకులకు, సాంకేతిక కార్యనిర్వాహకులకు వ్యూహాత్మక సందేశం స్పష్టం: పోటీ ఆధిక్యం ఇకపై యాజమాన్య యాంత్రిక హార్డ్‌వేర్‌ను కలిగి ఉండటం నుంచి రాదు; యంత్రాలకు భౌతిక ప్రపంచాన్ని వశం చేసుకోవడం నేర్పే డేటా పైప్‌లైన్లు, ప్రదర్శన సేకరణ పని ప్రవాహాలు, ఫౌండేషన్ మోడళ్లపై పట్టు సాధించడం నుంచే వస్తుంది.
తరచుగా అడిగే ప్రశ్నలు #
Hugging Face LeRobot అంటే ఏమిటి? Hugging Face LeRobot అనేది రోబోటిక్స్‌ను, ఫిజికల్ AIని అందరికీ అందుబాటులోకి తెచ్చేందుకు రూపొందించిన ఓపెన్-సోర్స్ ఫ్రేమ్‌వర్క్, సమాజ చొరవ. రోబోటిక్స్‌లోని ఆర్థిక, సాంకేతిక అడ్డంకులను తగ్గించేందుకు ఇది అత్యాధునిక ఇమిటేషన్ లెర్నింగ్ అల్గారిథమ్‌ల PyTorch ఆధారిత అమలులు, ప్రామాణిక డేటాసెట్ ఫార్మాట్లు, ముందే శిక్షణ పొందిన విజన్-లాంగ్వేజ్-యాక్షన్ (VLA) ఫౌండేషన్ మోడళ్లు, ఓపెన్-సోర్స్ హార్డ్‌వేర్ డిజైన్లు (SO-100 వంటివి) అందిస్తుంది.
ఇమిటేషన్ లెర్నింగ్ సంప్రదాయ రోబో ప్రోగ్రామింగ్ నుంచి ఎలా భిన్నమైనది? సంప్రదాయ రోబో ప్రోగ్రామింగ్‌లో ఇంజినీర్ టీచ్ పెండెంట్లు లేదా ROS స్క్రిప్ట్‌లు ఉపయోగించి కచ్చితమైన కార్టీసియన్ నిర్దేశాంకాలు, ఇన్వర్స్ కైనమాటిక్ పరిష్కారాలు, స్టేట్ మార్పులను పేర్కొనే స్పష్టమైన విధానపరమైన కోడ్ రాయాలి. దీనికి భిన్నంగా ఇమిటేషన్ లెర్నింగ్, టెలిఆపరేషన్ ద్వారా పనిచేస్తున్న మనుషుల నమోదైన ప్రదర్శనలను గమనించి మానవ ప్రవర్తనను అనుకరించేలా న్యూరల్ నెట్‌వర్క్‌లకు శిక్షణ ఇస్తుంది, ఇంద్రియ పరిశీలనలను నేరుగా మోటార్ ఆదేశాలతో జతచేసే విధానాన్ని నేర్చుకుంటుంది.
ఫిజికల్ AI పైప్‌లైన్‌లో Gemma VLM పాత్ర ఏమిటి? ఆధునిక ఫిజికల్ AI నిర్మాణాల్లో Gemma విజన్-లాంగ్వేజ్ మోడల్ (VLM) బహుళ-మోడల్ తర్క యంత్రంగా పనిచేస్తుంది. అది కెమెరాల నుంచి వచ్చే దృశ్య టోకెన్లను (SigLIP ద్వారా ఎన్‌కోడ్ చేసినవి), రోబో భౌతిక కీళ్ల స్థితి వెక్టర్‌ను, సహజ భాషా సూచనలను స్వీకరిస్తుంది. క్రాస్-అటెన్షన్ ఉపయోగించి అర్థ ఉద్దేశాన్ని దృశ్య జ్యామితితో మేళవించి, యాక్షన్ ఎక్స్‌పర్ట్‌కు మార్గనిర్దేశం చేసే ఉన్నత స్థాయి పని ప్రాతినిధ్యాలను రూపొందిస్తుంది.
రోబోటిక్స్ చర్యల అంచనాలో ఫ్లో మ్యాచింగ్ అంటే ఏమిటి? ఫ్లో మ్యాచింగ్ అనేది నిరంతర నార్మలైజింగ్ ఫ్లోలు, డిఫ్యూజన్ మోడళ్లకు సంబంధించిన జనరేటివ్ మోడలింగ్ పద్ధతి. రోబోటిక్స్‌లో అది అనేక దశల్లో సాధారణ అవకలన సమీకరణాలను పరిష్కరించి, సరళమైన గాసియన్ నాయిస్‌ను సంక్లిష్టమైన, బహుళ-శిఖర చర్యా మార్గాలుగా మారుస్తుంది. దీనివల్ల అనేక సరైన కదలికలు సాధ్యమయ్యే అస్పష్ట పరిస్థితులను రోబో నిర్వహించగలదు, సరళమైన రిగ్రెషన్ మోడళ్లను విఫలం చేసే సగటు లోపాలను నివారించగలదు.
$200 కంటే చౌకైన 3D-ప్రింటెడ్ రోబో ఆర్మ్‌లు ఉత్పత్తి స్థాయి పనులు చేయగలవా? SO-100 వంటి $200 కంటే చౌకైన ఆర్మ్‌లకు భారీ ఏరోస్పేస్ మెషినింగ్‌కు అవసరమైన బరువు సామర్థ్యం, నిర్మాణ దృఢత్వం, మిల్లీమీటర్ కంటే తక్కువ పునరావృత కచ్చితత్వం లేకపోయినా, అవి సున్నితమైన మానిప్యులేషన్, తనిఖీ, ప్రయోగశాల ద్రవ నిర్వహణ, చిన్న భాగాల కిట్టింగ్‌ను పూర్తిగా చేయగలవు. అంతకంటే ముఖ్యంగా, ఈ తక్కువ ఖర్చు వేదికలపై శిక్షణ పొంది ధ్రువీకరించిన విధానాలను కనీస ఫైన్-ట్యూనింగ్‌తో నేరుగా పారిశ్రామిక స్థాయి సహకార రోబో ఆర్మ్‌లకు బదిలీ చేయవచ్చు.
ఆధారాలు #
- Economist Enterprise, (2026). Physical AI & Robotics Summit: స్వయంప్రతిపత్త వ్యవస్థల ద్వారా కార్యాచరణ ఆధిక్యం ⧉. Economist Enterprise.
- Kooijmans, P., (2026). వ్యాపారానికి తెరచి ఉంది: ఓపెన్ సోర్స్ ఫిజికల్ AIని ఎలా వేగవంతం చేస్తోంది ⧉. Hugging Face.
- Hugging Face, (2026). LeRobot: PyTorchలో వాస్తవ ప్రపంచ రోబోటిక్స్ కోసం అత్యాధునిక మెషిన్ లెర్నింగ్ ⧉. GitHub.
- Chi, C., Xu, Z., Feng, S., Cousineau, E., Du, Y., Burchfiel, B., & Song, S., (2024). డిఫ్యూజన్ పాలసీ: యాక్షన్ డిఫ్యూజన్ ద్వారా విజువోమోటర్ విధాన అభ్యాసం ⧉. Columbia University & MIT.
- Zhao, T. Z., Kumar, V., Levine, S., & Finn, C., (2023). తక్కువ ఖర్చు హార్డ్‌వేర్‌తో సూక్ష్మమైన రెండు చేతుల మానిప్యులేషన్ నేర్చుకోవడం ⧉. Stanford University.
- Zhai, X., Mustafa, B., Kolesnikov, A., & Beyer, L., (2023). భాష-చిత్ర ముందస్తు శిక్షణ కోసం సిగ్మాయిడ్ లాస్ (SigLIP) ⧉. Google DeepMind.
- Lipman, Y., Chen, R. T. Q., Ben-Hamu, H., Nicklas, M., & Le, M., (2023). జనరేటివ్ మోడలింగ్ కోసం ఫ్లో మ్యాచింగ్ ⧉. Meta AI Research.
చివరిగా సమీక్షించబడింది .
చివరిగా సమీక్షించబడింది .
ఈ వ్యాసాన్ని క్రాస్-పోస్ట్ చేయండి
Medium కోసం ఫార్మాట్ చేసి కాపీ చేయండి
# ఓపెన్-సోర్స్ ఫిజికల్ AI: LeRobot రోబోటిక్స్‌ను అందరికీ చేరువ చేస్తోంది — Sebastien Rousseau > Originally published at [https://sebastienrousseau.com/te/2026-10-13-oopen-sors-phijikal-ai-lerobot-robotiksnu/](https://sebastienrousseau.com/te/2026-10-13-oopen-sors-phijikal-ai-lerobot-robotiksnu/) లండన్ Economist Physical AI సదస్సులో Hugging Face LeRobot సారథి Pepijn Kooijmans ఓపెన్-సోర్స్ మోడళ్లు, $200 హార్డ్‌వేర్ రోబోటిక్స్ అడ్డంకులను ఛేదిస్తున్నాయని చూపారు. Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/te/2026-10-13-oopen-sors-phijikal-ai-lerobot-robotiksnu/
Mastodon కోసం ఫార్మాట్ చేసి కాపీ చేయండి
ఓపెన్-సోర్స్ ఫిజికల్ AI: LeRobot రోబోటిక్స్‌ను అందరికీ చేరువ చేస్తోంది — Sebastien Rousseau లండన్ Economist Physical AI సదస్సులో Hugging Face LeRobot సారథి Pepijn Kooijmans ఓపెన్-సోర్స్ మోడళ్లు, $200 హార్డ్‌వేర్ రోబోటిక్స్ అడ్డంకులను ఛేదిస్తున్నాయని చూపారు. https://sebastienrousseau.com/te/2026-10-13-oopen-sors-phijikal-ai-lerobot-robotiksnu/
LinkedIn కోసం ఫార్మాట్ చేసి కాపీ చేయండి
ఓపెన్-సోర్స్ ఫిజికల్ AI: LeRobot రోబోటిక్స్‌ను అందరికీ చేరువ చేస్తోంది — Sebastien Rousseau లండన్ Economist Physical AI సదస్సులో Hugging Face LeRobot సారథి Pepijn Kooijmans ఓపెన్-సోర్స్ మోడళ్లు, $200 హార్డ్‌వేర్ రోబోటిక్స్ అడ్డంకులను ఛేదిస్తున్నాయని చూపారు. ముఖ్యమైన వ్యూహాత్మక అంశాలు ఇవి: - మోషన్ ప్లానింగ్ నుంచి ఇమిటేషన్ లెర్నింగ్ వరకు: నిర్మాణాత్మక మార్పు. Open for business: how open source is accelerating physical AI (వ్యాపారానికి తెరచి ఉంది: ఓపెన్ సోర్స్ ఫిజికల్ AIని ఎలా వేగవంతం చేస్తోంది) అనే కేస్ స్టడీ ప్రదర్శనలో Pepijn Kooijmans సంప్రదాయ మెకట్రానిక్స్ ఇంజినీరింగ్… - బహుళ-మోడల్ VLA నిర్మాణం లోపల. తన ప్రసంగంలో Kooijmans ఆధునిక ఓపెన్-సోర్స్ ఫిజికల్ AI విధానాలను నడిపించే వివరమైన ఎండ్-టు-ఎండ్ న్యూరల్ నెట్‌వర్క్ పైప్‌లైన్‌ను వెల్లడించి, అధిక-పరిమాణ గ్రహణ ఇన్‌పుట్‌లు సహజమైన శారీరక మానిప్యులేషన్‌గా ఎలా మారుతాయో… - సాంకేతిక పోలిక: సంప్రదాయ ఆటోమేషన్ వర్సెస్ ఓపెన్-సోర్స్ ఫిజికల్ AI. ఆధారం: Economist Enterprise Physical AI and Robotics Summit (Convene 200 Aldersgate, లండన్, 2026 అక్టోబర్ 13)లో ప్రదర్శించిన డేటా, సాంకేతిక బెంచ్‌మార్క్‌లు, ప్రత్యక్ష ప్రదర్శనల విశ్లేషణ. - రంగాల వారీగా దీని అర్థం. తెరిచిన, సమాజం నడిపే ఫిజికల్ AI ఆవిర్భావం అనేక పరిశ్రమల్లో వాణిజ్య లెక్కలను మారుస్తోంది. ఈ వ్యాసంలో వివరించిన సవాళ్లకు మీ సంస్థ దృక్పథం ఏమిటి? → https://sebastienrousseau.com/te/2026-10-13-oopen-sors-phijikal-ai-lerobot-robotiksnu/ #HuggingFaceLerobot #PepijnKooijmans #ఫిజికల్Ai #ఓపెన్సోర్స్రోబోటిక్స్ #ఇమిటేషన్లెర్నింగ్ Sebastien Rousseau | CC-BY-4.0
ఈ వ్యాసాన్ని ఉదహరించండి
ఓపెన్-సోర్స్ ఫిజికల్ AI: LeRobot రోబోటిక్స్‌ను అందరికీ చేరువ చేస్తోంది — Sebastien Rousseau
లండన్ Economist Physical AI సదస్సులో Hugging Face LeRobot సారథి Pepijn Kooijmans ఓపెన్-సోర్స్ మోడళ్లు, $200 హార్డ్‌వేర్ రోబోటిక్స్ అడ్డంకులను ఛేదిస్తున్నాయని చూపారు.
BibTeX
@online{rousseau2026ఓప,
author = {Rousseau, Sebastien},
title = {{ఓపెన్-సోర్స్ ఫిజికల్ AI: LeRobot రోబోటిక్స్‌ను అందరికీ చేరువ చేస్తోంది — Sebastien Rousseau}},
year = {2026},
url = {https://sebastienrousseau.com/te/2026-10-13-oopen-sors-phijikal-ai-lerobot-robotiksnu/},
urldate = {2026}
}RIS
TY - GEN AU - Rousseau, Sebastien TI - ఓపెన్-సోర్స్ ఫిజికల్ AI: LeRobot రోబోటిక్స్‌ను అందరికీ చేరువ చేస్తోంది — Sebastien Rousseau PY - 2026 UR - https://sebastienrousseau.com/te/2026-10-13-oopen-sors-phijikal-ai-lerobot-robotiksnu/ ER -
Vancouver
Rousseau S. ఓపెన్-సోర్స్ ఫిజికల్ AI: LeRobot రోబోటిక్స్‌ను అందరికీ చేరువ చేస్తోంది — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 13. Available from: https://sebastienrousseau.com/te/2026-10-13-oopen-sors-phijikal-ai-lerobot-robotiksnu/
Chicago
Rousseau, Sebastien. "ఓపెన్-సోర్స్ ఫిజికల్ AI: LeRobot రోబోటిక్స్‌ను అందరికీ చేరువ చేస్తోంది — Sebastien Rousseau." sebastienrousseau.com. October 13, 2026. https://sebastienrousseau.com/te/2026-10-13-oopen-sors-phijikal-ai-lerobot-robotiksnu/.
APA
Rousseau, S. (2026, October 13). ఓపెన్-సోర్స్ ఫిజికల్ AI: LeRobot రోబోటిక్స్‌ను అందరికీ చేరువ చేస్తోంది — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/te/2026-10-13-oopen-sors-phijikal-ai-lerobot-robotiksnu/
ఈ వ్యాసాన్ని పునఃప్రచురించండి
ఓపెన్-సోర్స్ ఫిజికల్ AI: LeRobot రోబోటిక్స్‌ను అందరికీ చేరువ చేస్తోంది — Sebastien Rousseau
లండన్ Economist Physical AI సదస్సులో Hugging Face LeRobot సారథి Pepijn Kooijmans ఓపెన్-సోర్స్ మోడళ్లు, $200 హార్డ్‌వేర్ రోబోటిక్స్ అడ్డంకులను ఛేదిస్తున్నాయని చూపారు.
ఈ వ్యాసం కింది లైసెన్స్ కింద ఉంది Creative Commons Attribution 4.0 International. పునఃప్రచురణకు కానానికల్ URLకు ఆపాదన అవసరం.
ఓపెన్-సోర్స్ ఫిజికల్ AI: LeRobot రోబోటిక్స్‌ను అందరికీ చేరువ చేస్తోంది — Sebastien Rousseau లండన్ Economist Physical AI సదస్సులో Hugging Face LeRobot సారథి Pepijn Kooijmans ఓపెన్-సోర్స్ మోడళ్లు, $200 హార్డ్‌వేర్ రోబోటిక్స్ అడ్డంకులను ఛేదిస్తున్నాయని చూపారు. Originally published at https://sebastienrousseau.com/te/2026-10-13-oopen-sors-phijikal-ai-lerobot-robotiksnu/ by Sebastien Rousseau. Licensed under CC-BY-4.0.