Reward AI opublikowało 27 października nowe nagranie humanoida OM-1 — dostawa last-mile, chwytanie przedmiotów na schodach i prace domowe w jednym materiale. Istotniejsza od samych scen jest deklaracja o źródle danych: firma twierdzi, że jej polityka sterowania nie korzysta ani z teleoperacji, ani z doświadczenia zebranego na robocie.
Najważniejsze w skrócie
- Nagranie zawiera dostawę, chwytanie paczki i skarpety na schodach, mopowanie oraz otwieranie drzwi lodówki
- Firma opisuje materiał jako w pełni autonomiczny i odtwarzany z normalną prędkością
- Polityka OM-1 trenowana na demonstracjach ludzi rejestrowanych rękawicą Omnibody Hand
- Kontroler niskiego poziomu uczony przez reinforcement learning w symulacji, w cyklu osobnym od polityki
- Deklarowany próg nauki nowego zadania: poniżej 30 minut danych z demonstracji człowieka
Co pokazuje nagranie?
Materiał otwiera segment dostawy last-mile — humanoid wchodzi na otwartą klapę bagażnika Tesli Cybertruck, żeby wyjąć przesyłkę. Dalej, według listy rozdziałów podanej przez firmę, pojawia się chwytanie paczki na schodach w 00:28, mopowanie w 00:43, podnoszenie skarpety na schodach w 00:51 i otwieranie lodówki w 01:06.
Dobór zadań nie jest przypadkowy i to on czyni demonstrację interesującą. Paczka, luźna skarpeta i drzwi lodówki to trzy różne problemy manipulacyjne: podparcie ciężaru, chwyt materiału odkształcalnego i przyłożenie siły wbrew oporowi.
Schody dodają czwarte ograniczenie, które nie dotyczy chwytaka. Zmieniają miejsca, z których robot może sięgnąć po przedmiot, bo stopień ogranicza ustawienie stóp i przesuwa środek masy.
Warto zwrócić uwagę na samą dostawę. Wejście na klapę bagażnika to nie chwyt, tylko lokomocja na niestabilnym, podniesionym podparciu, po której dopiero następuje manipulacja. Większość demonstracji humanoidów rozdziela te dwie rzeczy — robot albo idzie, albo coś podnosi, stojąc pewnie na podłodze.
Strona Reward AI opisuje nagrania jako w pełni autonomiczne i odtwarzane z prędkością 1x. To opis producenta, nie niezależna ocena niezawodności.
Skąd OM-1 bierze dane?
W przeglądzie technicznym firma opisuje OM-1 jako wspólną politykę trenowaną na demonstracjach ludzi rejestrowanych noszoną rękawicą Omnibody Hand. Urządzenie łączy śledzenie ruchu dłoni z informacją wizualną, taktylną, o zbliżeniu i o sile.
Celem jest zachowanie tego, jak ludzie faktycznie obchodzą się z przedmiotami, w tym sygnałów kontaktu, których zwykłe wideo nie oddaje. Nagranie pokazuje, gdzie była dłoń. Nie pokazuje, jak mocno zaciskała palce.
Firma deklaruje, że polityka nie korzysta z teleoperacji ani z doświadczenia zebranego na robocie jako danych treningowych. Nie znaczy to, że cały system powstaje bez symulacji: kontroler niskiego poziomu uczy się przez reinforcement learning w symulacji i przekłada wyjścia polityki na ruchy dopasowane do dynamiki konkretnego robota.
Ten kontroler działa niezależnie od cyklu wnioskowania polityki, a przejścia między kolejnymi predykcjami są wygładzane, żeby ruch pozostał ciągły. Reward AI podaje też, że nowe zadanie da się wyuczyć z mniej niż 30 minut danych demonstracyjnych. To twierdzenie o nakładzie demonstracji, nie o całkowitym czasie treningu ani o ilości danych stojących za modelem ogólnym.
To uproszczony tor danych zbudowany na opisie technicznym producenta, a nie zweryfikowana niezależnie architektura.
Dlaczego nie wystarczy nagrać robota przez teleoperację?
Dziś najpopularniejszym sposobem zbierania danych manipulacyjnych jest teleoperacja: człowiek steruje robotem, a system zapisuje pary obserwacja–akcja. Zaleta jest oczywista, bo dane od razu mają format, w którym robot będzie działał.
Koszt też jest oczywisty. Każda godzina danych wymaga godziny pracy operatora na konkretnym robocie, więc zbiór rośnie liniowo z liczbą maszyn i jest przywiązany do jednej konstrukcji.
Demonstracja w rękawicy odwraca tę zależność. Człowiek wykonuje zadanie własnymi rękami, więc zbieranie danych nie wymaga robota i nie jest ograniczone jego liczbą. W zamian pojawia się jednak problem, którego teleoperacja nie ma: ludzka dłoń ma inną kinematykę i inny zakres sił niż chwytak.
I właśnie ten rozziew ma zasypywać dwuwarstwowa konstrukcja. Polityka uczy się tego, co w zadaniu jest niezależne od ciała — kolejności, punktów kontaktu, intencji. Kontroler niskiego poziomu, trenowany w symulacji i przenoszony na sprzęt zgodnie z zasadą sim-to-real, odpowiada za dopasowanie do faktycznej mechaniki maszyny. To podejście z rodziny cross-embodiment, czyli przenoszenia umiejętności między różnymi ciałami.
Co znaczą te nazwy?
Trzy pojęcia potrzebne do oceny tej deklaracji:
- Polityka (policy) — model, który na podstawie obserwacji wybiera kolejny ruch. Odpowiednik funkcji przyjmującej stan i zwracającej akcję, tylko wyuczonej, a nie napisanej ręcznie.
- Omnibody Hand — noszona rękawica rejestrująca ruch dłoni razem z obrazem, dotykiem, zbliżeniem i siłą. To narzędzie zbierania danych, nie część robota.
- Kontroler niskiego poziomu — warstwa tłumacząca wyjścia polityki na komendy dla silników konkretnej maszyny. Odpowiednik sterownika urządzenia między aplikacją a sprzętem.
Rozdzielenie polityki od kontrolera jest tu całą pointą: pozwala trenować wiedzę o zadaniu bez robota, a dopasowanie do sprzętu zostawić osobnej, tańszej w treningu warstwie.
Czy to już działa?
To demonstracja, nie produkt ani wdrożenie. Nagranie z 27 października pokazuje konkretne zachowania, ale samo w sobie nie ustala, jak często te zadania się udają, ile prób zarejestrowano ani jak wynik trzyma się przy nieznanych przedmiotach i w nieznanych miejscach.
Dla dostawy i prac domowych te pytania ważą tyle samo co udana sekwencja. Powtarzane próby na różnych klatkach schodowych, różnych paczkach i różnych mechanizmach drzwi pokazałyby, jak daleko zademonstrowane umiejętności wychodzą poza wybrane ujęcia.
Firma wyszła z trybu stealth w zeszłym miesiącu, przedstawiając wtedy swoje podejście do przenoszenia ludzkich umiejętności manipulacyjnych między różnymi ciałami robotów. To nagranie jest rozwinięciem tamtej zapowiedzi, nie zmianą etapu.
Druga rzecz, którą to nagranie pokazuje mimochodem, to zmiana w doborze scen. Dostawa i prace domowe to zadania, w których otoczenie nie zostało przygotowane pod robota: schody mają różne wysokości, paczki różne rozmiary, a drzwi lodówki różny opór. To trudniejszy poligon niż stanowisko w hali, choć bez podanej skuteczności trudno powiedzieć, o ile trudniejszy.
Dlaczego to ważne?
Wąskim gardłem manipulacji nie jest dziś sprzęt, lecz dane. Jeśli próg nauki nowego zadania faktycznie spada do półgodziny demonstracji bez udziału robota, zmienia się ekonomia całego procesu: zbiór przestaje rosnąć wraz z flotą. To deklaracja producenta, więc wartość ma dopiero wtedy, gdy ktoś poda skuteczność na powtarzanych próbach.
Co dalej?
- Brakującą daną są wskaźniki skuteczności — liczba prób i udział udanych wykonań dla każdego z pokazanych zadań
- Drugi sprawdzalny krok to generalizacja: te same zadania na nieznanych schodach, paczkach i mechanizmach drzwi
- Deklarowany próg poniżej 30 minut demonstracji dotyczy nowego zadania, nie całkowitego treningu modelu ogólnego — rozstrzygnie to dopiero opis pełnego zbioru
Źródła
- Humanoids Daily — Reward AI Shows OM-1 Handling Deliveries, Stairs and Household Chores
- Reward AI — OM-1 technical overview
- YouTube — Reward AI OM-1: delivery, stairway manipulation and household tasks





