Pekan pertama Juli 2025 menjadi saksi terobosan penting dalam bidang kecerdasan buatan dan robotika, ketika para peneliti mendemonstrasikan mesin dengan kemampuan luar biasa untuk mengantisipasi gerakan dan menyesuaikan strategi di lingkungan yang dinamis.
Di pusat kemajuan ini adalah ANYmal-D, robot berkaki empat hasil pengembangan ETH Zurich yang mampu secara mandiri bermain bulu tangkis melawan manusia. Robot ini menggunakan sistem kontrol inovatif berbasis reinforcement learning yang memungkinkannya melacak, memprediksi, dan mengembalikan kok dengan terampil. 'Otak' canggihnya memungkinkan ANYmal-D mengikuti lintasan kok, mengantisipasi arah, serta bergerak cepat di lapangan untuk mencegat dan mengembalikannya. Prestasi ini, yang dipublikasikan dalam jurnal Science Robotics, menunjukkan potensi penerapan robot berkaki dalam tugas-tugas dinamis yang membutuhkan persepsi presisi dan respons tubuh secara cepat.
Robot ini dilengkapi kamera stereo untuk persepsi berbasis visi dan lengan dinamis untuk memegang raket bulu tangkis, yang menuntut sinkronisasi presisi antara persepsi, pergerakan, dan gerakan lengan. Para peneliti melatih sistem ini menggunakan reinforcement learning, sehingga robot mampu mengembangkan strategi efektif melalui eksperimen dan interaksi dengan lingkungannya. Dalam uji coba melawan pemain manusia, ANYmal-D menunjukkan kemampuannya menavigasi lapangan dengan baik, mengembalikan pukulan dengan kecepatan dan sudut bervariasi, serta mempertahankan reli hingga 10 pukulan berturut-turut.
Terobosan ini bukan sekadar keingintahuan teknologi. Robot berkaki empat ini memanfaatkan visi, data sensor, dan pembelajaran mesin untuk mengantisipasi gerakan serta menyesuaikan strategi, menampilkan masa depan kolaborasi manusia-robot di bidang olahraga dan pelatihan. Proyek ini memadukan robotika fisik dengan penalaran AI canggih, membuka peluang baru bagi mesin yang dapat bekerja berdampingan dengan manusia di lingkungan kompleks dan tak terduga.
Para ahli robotika telah membuat terobosan besar dalam cara robot belajar dan beradaptasi. Salah satu kemajuan utama adalah menggabungkan berbagai jenis data agar berguna bagi robot. Misalnya, peneliti dapat mengumpulkan data dari manusia yang melakukan tugas sambil mengenakan sensor, mengombinasikannya dengan data teleoperasi dari manusia yang mengendalikan lengan robotik, serta menambahkannya dengan gambar dan video di internet tentang orang yang melakukan aksi serupa. Dengan menggabungkan berbagai sumber data ini ke dalam model AI baru, robot memperoleh keunggulan besar dibandingkan metode pelatihan tradisional. Melihat berbagai cara untuk menyelesaikan satu tugas membuat model AI lebih mudah berimprovisasi dan menentukan langkah berikutnya yang tepat dalam situasi nyata. Ini merupakan perubahan mendasar dalam cara robot belajar.
Hal ini menjadi aspek penting dalam manufaktur AI masa kini. Terobosan dalam reinforcement learning memungkinkan robot fisik mengambil keputusan dan melakukan tugas fisik rumit, mulai dari menggantung kaos di gantungan hingga membuat adonan pizza. Perpaduan AI generatif dan robot ini secara radikal memperluas potensi aplikasi di bidang bisnis, kesehatan, pendidikan, dan hiburan, menandakan masa depan di mana mesin cerdas terintegrasi mulus dalam kehidupan sehari-hari kita.