AgiBot afirma que seu sistema RW-RL permite que os robôs aprendam rapidamente tarefas complexas de montagem. | Crédito: Agibot
A AgiBot anunciou um marco importante esta semana com a implantação bem-sucedida de seu sistema Real-World Reinforcement Learning em um piloto de fabricação com a Longcheer Technology.
O projeto piloto marca a primeira aplicação de aprendizagem por reforço do mundo real (RW-RL) da AgiBot em uma linha ativa, conectando inovação avançada de IA com produção em larga escala e sinalizando uma nova fase na evolução da automação inteligente para fabricação de precisão.
Enfrentando os principais desafios da fabricação flexível
Durante décadas, as linhas de fabricação de precisão confiaram em sistemas de automação rígidos que exigem projetos de acessórios complexos, ajustes extensivos e reconfigurações dispendiosas. Mesmo soluções avançadas de “visão + controle de força” têm enfrentado dificuldades com a sensibilidade dos parâmetros, longos ciclos de implantação e complexidade de manutenção.
A AgiBot disse que seu sistema RW-RL está abordando esses pontos problemáticos de longa data, permitindo que os robôs aprendam e se adaptem diretamente no chão de fábrica. Em apenas dezenas de minutos, os robôs podem adquirir novas habilidades, alcançar uma implantação estável e manter o desempenho a longo prazo sem degradação, afirmou.
Durante mudanças de linha ou transições de modelo, são necessários apenas ajustes mínimos de hardware e etapas de implantação padronizadas. Isto pode melhorar drasticamente a flexibilidade e ao mesmo tempo reduzir tempo e custos, disse a empresa, que lançado seu robô Agibot G2 no mês passado.
O Agibot G2 fornece inteligência incorporada e demonstra visitas guiadas em um museu. Fonte: AgiBot
AgiBot lista vantagens do aprendizado por reforço do mundo real
- Implantação rápida: O tempo de treinamento para novas habilidades é reduzido de semanas para minutos, alcançando ganhos exponenciais de eficiência, afirmou AgiBot.
- Alta adaptabilidade: O sistema compensa de forma autônoma variações comuns, como posição da peça e mudanças de tolerância, mantendo a estabilidade de nível industrial e uma taxa de conclusão de tarefas de 100% em operação prolongada.
- Reconfiguração flexível: Mudanças de tarefas ou produtos podem ser acomodadas por meio de reciclagem rápida, sem acessórios ou ferramentas personalizadas, superando o antigo dilema “automação rígida versus demanda variável” na fabricação de produtos eletrônicos de consumo.
A AgiBot afirmou que seu sistema apresenta generalidade em layouts de espaços de trabalho e linhas de produção, permitindo rápida transferência e reutilização em diversos cenários industriais. Este marco significa uma integração profunda entre a inteligência de percepção-decisão e o controle de movimento, representando um passo crítico para unificar a inteligência algorítmica e a execução física, disse o empresa.
Da mesma forma, a solução apresenta forte generalidade em layouts de espaços de trabalho e linhas de produção, permitindo rápida transferência e reutilização em diversos cenários industriais. Este marco significa uma integração profunda entre a inteligência de percepção-decisão e o controle de movimento, representando um passo crucial para unificar a inteligência algorítmica e a execução física, disse AgiBot.
Ao contrário de muitas demonstrações de laboratório, a empresa afirmou que o seu sistema foi validado em condições quase de produção, completando o ciclo desde a investigação de ponta até à verificação de nível industrial.
Do avanço da pesquisa à realidade industrial
Nos últimos anos, a comunidade de pesquisa em robótica e IA fez progressos significativos no avanço da aprendizagem por reforço em direção a maior estabilidade, eficiência e aplicabilidade no mundo real. Com base nesses avanços, o Dr. Jianlan Luo, cientista-chefe da Agibot, e sua equipe publicaram pesquisas demonstrando que a aprendizagem por reforço pode alcançar resultados confiáveis e de alto desempenho diretamente em robôs físicos.
Na AgiBot, essa base evoluiu para um sistema RW-RL implantável, integrando algoritmos avançados com controle e pilhas de hardware. A empresa afirmou que seu sistema alcança aprendizado estável e repetível em máquinas reais – marcando um passo importante na ponte entre a pesquisa acadêmica e a implantação industrial.
AgiBot expande aplicações do mundo real
A validação foi agora demonstrada com sucesso numa linha de produção piloto em colaboração com a Longcheer Technology.
No futuro, a AgiBot e a Longcheer planejam estender o aprendizado por reforço do mundo real a uma gama mais ampla de cenários de fabricação de precisão, incluindo eletrônicos de consumo e componentes automotivos. O foco estará no desenvolvimento de soluções robóticas modulares e de rápida implementação que se integrem perfeitamente aos sistemas de produção existentes.
AgiBot, também conhecido como Zhiyuan Robotics, recentemente lançado o aplicativo LinkCraft para reduzir as habilidades necessárias para programar robôs. LinkCraft é um plataforma para criação de movimentos de robôs, permitindo ao usuário usar vídeo como recurso de treinamento.
No recente evento iROS 2025, o primeiro “AgiBot World Challenge @ IROS 2025” atraiu 431 equipes de 23 países em todo o mundo, com equipes vencedoras de Universidade TsinghuaUniversidade de Tecnologia do Sul da China e Universidade de Hong Kong.