# AIRoA-0 treina robôs com demonstrações feitas à mão

> O sistema bimanual aprendeu com 16.151 horas de demonstrações humanas gravadas sem um robô. Os autores relatam uma taxa média de sucesso de 78% em 10 tarefas.

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

Uma equipe de pesquisa apresentou o AIRoA-0, um sistema robótico treinado com 16.151 horas de demonstrações de pessoas realizando tarefas com uma garra manual. Segundo a equipe, nenhum dado de robô foi coletado durante o treinamento: o robô só aparece na fase de testes. As demonstrações usam o YUBI, uma garra de código aberto que as pessoas podem segurar para gravar tarefas de manipulação sem a presença de um robô.

Com uma única instrução, o AIRoA-0 consegue realizar tarefas como separar mais de uma dúzia de peças pequenas em compartimentos numerados, trocar os esfregões e a escova de um robô aspirador, abrir um estojo e dobrar uma toalha. O sistema usa apenas câmeras montadas nos dois punhos do robô, sem uma câmera voltada para toda a cena. A avaliação foi realizada em um local onde nenhum dado de treinamento havia sido gravado.

## Qual foi o desempenho?

Nas 10 tarefas avaliadas, os autores relatam uma taxa média de sucesso de 78%. Eles comparam esse resultado com os 27% do melhor entre quatro outros modelos de visão-linguagem-ação — sistemas que conectam informações visuais e instruções em linguagem a ações do robô — pós-treinados com as mesmas demonstrações das tarefas. Esses resultados foram relatados pela equipe de pesquisa; o resumo do artigo fornecido não descreve uma avaliação independente.

O AIRoA-0 foi projetado para funcionar com diferentes robôs compatíveis com a garra YUBI. Os autores citam como exemplos os modelos bimanual Franka, TX-G2, OpenArm e UR. O sistema aprende quais partes das imagens das câmeras nos punhos são relevantes, estima em que etapa da tarefa está e gera ações continuamente. Segundo o artigo, ele não usa aprendizado por reforço nem correções feitas no próprio robô.

## O que outras pessoas podem usar?

A equipe afirma que está disponibilizando o conjunto de dados de demonstrações, os pesos do modelo pré-treinado e um método para adaptar o sistema a novas tarefas. Segundo os autores, até onde sabem, esse é o maior conjunto de dados aberto de demonstrações com garras manuais que inclui instruções para tarefas e subtarefas. Eles dizem que é possível gravar uma tarefa com o YUBI e pós-treinar o modelo em menos de quatro horas usando um nó computacional com oito GPUs H200.

Essa configuração é diferente do treinamento robótico convencional, no qual as pessoas costumam coletar demonstrações controlando o próprio robô. A abordagem dos pesquisadores é gravar primeiro os movimentos das mãos humanas e transferir o comportamento aprendido para um robô na fase de testes. Os resultados do artigo abrangem as 10 tarefas avaliadas; eles não mostram como o sistema se sairia em tarefas ou situações que não foram testadas.

## Os fatos

- O AIRoA-0 foi treinado com 16.151 horas de demonstrações feitas com uma garra manual, sem coleta de dados de robôs durante o treinamento.
- Os autores relatam uma taxa média de sucesso de 78% em 10 tarefas, em comparação com 27% do melhor entre outros quatro modelos testados.
- O sistema usa duas câmeras nos punhos e foi testado em um local onde nenhum dado de treinamento havia sido gravado.
- A equipe afirma que está disponibilizando o conjunto de dados, os pesos pré-treinados e um método de pós-treinamento.

## Por que importa

Para pesquisadores e desenvolvedores de robótica, essa abordagem pode permitir ensinar um robô gravando os movimentos das mãos de uma pessoa, em vez de coletar demonstrações no próprio robô. Os autores relatam bons resultados em 10 tarefas, mas ainda não se sabe como o sistema se sairia em outras tarefas nem se os resultados serão confirmados de forma independente.

## Fontes e referências

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

Última atualização: 2026-11-04