Forskere bag et nyt system til robot-gribeteknikker, CoToGrasp, har præsenteret en metode, der kan få robotter til at gribe objekter, de aldrig har set før, uden at skulle trænes på dem. I stedet for at fokusere på fysisk stabilitet alene – om robotten kan holde objektet – lærer systemet at gribe ud fra, hvordan objektet skal gribes for at understøtte funktionelle opgaver. Det sker ved at kortlægge objekternes geometri ind i et fælles, griber-centreret rum, hvor selve kontaktmønsteret – topologien af fingrenes berøring – er det, der styrer grebet. Fordi træningen sker uafhængigt af specifikke objekter, kan modellen generalisere til nye objekter uden ekstra data. Ifølge evalueringer på det store DexGraspNet-datasæt overgår CoToGrasp eksisterende taksonomi-styrede planlæggere, og forskerne har demonstreret metoden på en fysisk robotplatform.
For en beslutningstager betyder det noget, fordi det adresserer en af de største flaskehalse i robotteknologi: at få robotter til at håndtere varierede og ukendte objekter i virkelige miljøer – fx i logistik, produktion eller hjemmepleje. Tidligere krævede sådanne systemer store, objekt-annoterede datasæt, hvilket gjorde dem dyre og svære at skalere. CoToGrasp's tilgang, der lærer selve grebsmønsteret frem for objektet, kan potentielt gøre robotter mere fleksible og billigere at implementere, fordi de ikke skal genoptrænes for hver ny opgave eller objekttype. Det er dog værd at bemærke, at metoden stadig er på forskningsstadiet, og at den fysiske demonstration er begrænset til et enkelt robotplatform – så den kommercielle modenhed er endnu ikke bevist.
