# AIRoA-0 обучает роботизированные руки по ручным демонстрациям

> Система с двумя манипуляторами обучалась на 16,151 часах записей, где люди выполняют задачи без робота. Авторы сообщают о средней успешности 78% в 10 задачах.

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

Исследовательская группа представила AIRoA-0 — роботизированную систему, обученную на 16,151 часе демонстраций, в которых люди выполняли задачи с ручным захватом. По словам команды, во время обучения данные с роботов не собирались: робот появляется только на этапе тестирования. Для демонстраций использовали YUBI — захват с открытым исходным кодом, который человек может держать в руке, записывая манипуляции без робота.

Получив одну инструкцию, AIRoA-0 может выполнять такие задачи, как сортировка более дюжины мелких деталей по ячейкам с номерами, замена насадок для мытья пола и щётки у робота-пылесоса, расстёгивание пенала и складывание полотенца. Система использует только камеры, установленные на двух запястьях робота, без камеры, снимающей всю сцену сверху. Испытания проводились на площадке, где не записывали ни одного фрагмента обучающих данных.

## Каковы результаты?

По данным авторов, средняя успешность в 10 испытанных задачах составила 78%. Для сравнения: у лучшей из четырёх других моделей «зрение — язык — действие» — систем, связывающих визуальные данные и языковые инструкции с действиями робота, — после дообучения на тех же демонстрациях результат составил 27%. Эти данные приводит исследовательская группа; в кратком изложении статьи не говорится о независимой оценке.

AIRoA-0 рассчитана на работу с разными роботами, на которые можно установить захват YUBI. В качестве примеров авторы называют двуручные Franka, TX-G2, OpenArm и UR. Система учится определять, какие части изображения с камер на запястьях важны, оценивать этап выполнения задачи и непрерывно выдавать команды. Согласно статье, она не использует обучение с подкреплением и коррекцию действий непосредственно на роботе.

## Что смогут использовать другие?

Команда сообщает, что публикует набор демонстрационных данных, веса предварительно обученной модели и инструкцию по её адаптации к новым задачам. По словам авторов, насколько им известно, это крупнейший открытый набор демонстраций с ручным захватом, снабжённых инструкциями по задачам и подзадачам. Авторы утверждают, что записать задачу с помощью YUBI и дообучить модель можно менее чем за четыре часа на одном вычислительном узле с восемью GPU H200.

Такой подход отличается от традиционного обучения роботов, при котором люди часто собирают демонстрации, управляя самим роботом. Здесь исследователи сначала записывают движения человеческих рук, а затем переносят освоенное поведение на робота во время тестирования. Результаты статьи охватывают 10 испытанных задач и не показывают, насколько хорошо система справится с задачами или условиями, не входившими в эти испытания.

## Факты

- AIRoA-0 обучалась на 16,151 часе демонстраций с ручным захватом; во время обучения данные с роботов не собирались.
- Авторы сообщают о средней успешности 78% в 10 задачах против 27% у лучшей из четырёх других испытанных моделей.
- Система использует две камеры на запястьях; испытания проходили на площадке, где не записывали обучающие данные.
- Команда сообщает, что публикует набор данных, предварительно обученные веса и инструкцию по дообучению.

## Почему это важно

Для исследователей и разработчиков в области робототехники этот подход может упростить обучение роботов: вместо демонстраций на самом роботе можно записывать движения рук человека. Авторы сообщают о высоких результатах в 10 задачах, однако эффективность системы в других задачах и независимое подтверждение результатов пока неизвестны.

## Источники и ссылки

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

Обновлено: 2026-11-04