--- format: "aidr-story-markdown/v1" id: "0235186633cbbd200697dc26c9460ca85585a44fd90ae2f354d39c2ae1f96446" canonical_url: "https://aidr.today/02351866?lang=vi" title: "Mô hình LingBot-Touch của Robbyant giảm lỗi chạm robot lên tới 97% trên cảm biến chưa từng thấy" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-11-10T18:53:25.000Z" category: "Open Source" topics: ["open-source","agent"] source_urls: ["https://marketbrief.now/ai/robbyants-lingbot-touch-model-cuts-robot-touch-error-by-97percent-on-uns-eaf4d11f","https://huggingnews.com/ai/robbyants-lingbot-touch-model-cuts-robot-touch-error-by-97percent-on-uns-eaf4d11f"] summary: "Lỗi trung bình tại tâm tiếp xúc của bàn tay robot XHand1 giảm xuống 0,16 mm khi sử dụng mô hình LingBot-Touch của Robbyant, so với 5,89 mm với bộ điều hợp dụng phụ trợ dành riêng cho thiết bị. Kết quả này cho thấy AI xúc giác mã nguồn mở có thể tổng quát hóa khả năng cảm nhận sang phần cứng robot chưa từng gặp trong quá trình huấn luyện. Trong các bài kiểm tra thực tế trên sáu nhiệm vụ, tỷ lệ thành công của robot tăng lên 75,04% nhờ các tính năng của mô hình, từ 57,21% khi sử dụng đầu vào xúc giác thô hoặc không có dữ liệu chạm. Foundation model sử dụng ba bộ mã hóa 5,46M tham số dựa trên kiến trúc Joint-Embedding Predictive và đã được tiền huấn luyện trên gần 5.000 giờ dữ liệu thực từ cảm biến từ trường từ tính, dẫn trở và kết hợp thị giác - xúc giác. Nhóm nghiên cứu từ Ant Group cho biết cách tiếp cận dự đoán tiềm năng xử lý tốt tính chất thưa thớt và nhiễu của dữ liệu xúc giác hơn so với các mã tự mã hóa mặc nhiên. Trong các vòng thử nghiệm mô phỏng quay đĩa, mô hình đưa tỷ lệ thành công từ 0,5% lên 97,4% và được phát hành theo giấy phép Apache 2.0." --- # Mô hình LingBot\-Touch của Robbyant giảm lỗi chạm robot lên tới 97% trên cảm biến chưa từng thấy > [Open the canonical story]() **Published:** 2026-11-10T18:53:25.000Z **Category:** Open Source **Topics:** open\-source, agent ## Summary Lỗi trung bình tại tâm tiếp xúc của bàn tay robot XHand1 giảm xuống 0,16 mm khi sử dụng mô hình LingBot\-Touch của Robbyant, so với 5,89 mm với bộ điều hợp dụng phụ trợ dành riêng cho thiết bị\. Kết quả này cho thấy AI xúc giác mã nguồn mở có thể tổng quát hóa khả năng cảm nhận sang phần cứng robot chưa từng gặp trong quá trình huấn luyện\. Trong các bài kiểm tra thực tế trên sáu nhiệm vụ, tỷ lệ thành công của robot tăng lên 75,04% nhờ các tính năng của mô hình, từ 57,21% khi sử dụng đầu vào xúc giác thô hoặc không có dữ liệu chạm\. Foundation model sử dụng ba bộ mã hóa 5,46M tham số dựa trên kiến trúc Joint\-Embedding Predictive và đã được tiền huấn luyện trên gần 5\.000 giờ dữ liệu thực từ cảm biến từ trường từ tính, dẫn trở và kết hợp thị giác \- xúc giác\. Nhóm nghiên cứu từ Ant Group cho biết cách tiếp cận dự đoán tiềm năng xử lý tốt tính chất thưa thớt và nhiễu của dữ liệu xúc giác hơn so với các mã tự mã hóa mặc nhiên\. Trong các vòng thử nghiệm mô phỏng quay đĩa, mô hình đưa tỷ lệ thành công từ 0,5% lên 97,4% và được phát hành theo giấy phép Apache 2\.0\. ## Sources - [Story source]() - [Story source]()