# AIRoA-0 leert robothanden taken uitvoeren met handdemonstraties

> Het tweehandige systeem leerde van 16.151 uur aan menselijke demonstraties, opgenomen zonder robot. De makers melden een gemiddeld succespercentage van 78% bij 10 taken.

Oossa · 2026-11-04 · https://oossa.com/nl/airoa-0-trains-robot-hands-from-handheld-demonstrations

Een onderzoeksteam heeft AIRoA-0 geïntroduceerd, een robotsysteem dat is getraind met 16.151 uur aan demonstraties van mensen die taken uitvoerden met een handgrijper. Volgens het team zijn er tijdens de training geen robotgegevens verzameld: de robot komt pas in beeld wanneer het systeem wordt getest. Bij de demonstraties wordt YUBI gebruikt, een opensourcegrijper die mensen in de hand kunnen houden om manipulatietaken op te nemen zonder dat er een robot aan te pas komt.

Met één opdracht kan AIRoA-0 taken uitvoeren zoals meer dan een dozijn kleine onderdelen in genummerde vakjes sorteren, de dweilpads en borstel van een robotstofzuiger vervangen, een etui openritsen en een handdoek opvouwen. Het systeem gebruikt alleen camera’s op de twee polsen en heeft geen camera die de hele scène van bovenaf filmt. De evaluatie vond plaats op een locatie waar geen van de trainingsgegevens was opgenomen.

## Hoe presteerde het systeem?

Bij de 10 geëvalueerde taken rapporteren de makers een gemiddeld succespercentage van 78%. Ter vergelijking: het beste van vier andere vision-language-actionmodellen – systemen die visuele input en taalinstructies omzetten in robotacties – haalde 27% na verdere training met dezelfde taakdemonstraties. Dit zijn resultaten die het onderzoeksteam zelf rapporteert; de aangeleverde samenvatting van het artikel beschrijft geen onafhankelijke evaluatie.

AIRoA-0 is ontworpen voor gebruik met verschillende robots waarop de YUBI-grijper kan worden gemonteerd. De makers noemen de tweehandige Franka, TX-G2, OpenArm en UR als voorbeelden. Het systeem leert welke delen van de beelden van de polscamera’s relevant zijn, schat in welke fase van een taak het zich bevindt en produceert doorlopend acties. Volgens het artikel gebruikt het geen reinforcement learning en worden de acties niet op de robot zelf gecorrigeerd.

## Wat kunnen anderen ermee?

Het team zegt de demonstratiedataset, vooraf getrainde modelgewichten en een stappenplan om het systeem aan nieuwe taken aan te passen beschikbaar te stellen. Voor zover de makers weten, is de dataset de grootste openbare verzameling demonstraties met een handgrijper, inclusief instructies voor taken en subtaken. Volgens hen kan iemand met YUBI een taak opnemen en het model in minder dan vier uur verder trainen op één computerknooppunt met acht H200 GPU’s.

Deze aanpak verschilt van conventionele robottraining, waarbij mensen vaak demonstraties verzamelen door de robot zelf te besturen. De onderzoekers nemen eerst menselijke handbewegingen op en dragen het aangeleerde gedrag vervolgens tijdens het testen over op een robot. De resultaten in het artikel hebben betrekking op de 10 geëvalueerde taken; ze tonen niet aan hoe goed het systeem presteert bij andere taken of in andere omstandigheden.

## De feiten

- AIRoA-0 is getraind met 16.151 uur aan handdemonstraties; tijdens de training zijn geen robotgegevens verzameld.
- De makers rapporteren een gemiddeld succespercentage van 78% bij 10 taken, tegenover 27% voor het beste van vier andere geteste modellen.
- Het systeem gebruikt twee polscamera’s en is getest op een locatie waar geen van de trainingsgegevens was opgenomen.
- Het team zegt de dataset, vooraf getrainde modelgewichten en een stappenplan voor verdere training beschikbaar te stellen.

## Waarom het ertoe doet

Voor onderzoekers en ontwikkelaars in de robotica kan deze aanpak het mogelijk maken een robot iets te leren door iemands handbewegingen op te nemen, in plaats van demonstraties met de robot zelf te verzamelen. De makers rapporteren sterke resultaten bij 10 taken, maar het is nog onbekend hoe het systeem presteert bij andere taken en of de resultaten onafhankelijk worden bevestigd.

## Bronnen en referenties

1. [AIRoA-0: Long-Horizon, Precise, Cross-Embodiment Manipulation from Handheld Data](https://arxiv.org/abs/2611.03815) – arXiv cs.RO, 2026-11-04

Laatst bijgewerkt: 2026-11-04