Israel-baserte Mentee Robotics har demonstrert en logistikkarbeidsflyt: to MenteeBot V3-humanoider jobber autonomt for å plukke og plassere kasser. Et Modular Agent System foretrekkes fordi det favoriserer robusthet i den virkelige verden og lavere beregningsbehov fremfor End-to-End VLA-modellen. Arkitekturen består av tre komponenter: - LLM Planner: Konverterer instruksjoner til kjørbar Robotic API-kode for pålitelig oppgavedekomponering og feilhåndtering. - Perception Stack: Bruker forhåndstrente modeller (NeRF/3DGS, destillert syn) for sceneforståelse og navigasjon. - Kontrollpolicyer: Reinforcement Learning (RL)-modeller, trent i stor skala via Sim2Real, genererer motoriske kommandoer som muliggjør høy nøyaktig mobilmanipulering. Avgjørende er det at roboten lærer nye oppgaver gjennom én enkelt demonstrasjon på timer. Objektsporing bruker 3D-geometri (STL/URDF) som spores i videoen for å definere RL-belønningsfunksjonen. Opplæringen optimaliseres ved hjelp av 'Automatisk læreplanlæring', som autonomt justerer oppgavens vanskelighetsgrad basert på robotens ytelse, og eliminerer manuell ingeniørkunst. All beregning kjører ombord.

Maskinvarespesifikasjoner for MenteeBot V3