Dobot Pocket Go

Mobile Datenerfassung direkt in realen Anwendungsszenarien

Das Pocket Go Handheld-Kit wiegt nur 0,93 kg und ermöglicht die direkte manuelle Demonstration robotischer Greif- und Manipulationsaufgaben. Mit einer Greiföffnung von 73,5 ± 1,5 mm, 100 mm effektiver Greiftiefe und bis zu 2 kg Greifgewicht lassen sich zahlreiche Alltags- und Industrieobjekte direkt in ihrer späteren Einsatzumgebung erfassen.

5,3K-Kamera · 155° Sichtfeld · integrierte IMU

Hochauflösende Perzeption für räumlich präzise Demonstrationsdaten

Eine GoPro Hero 12 erfasst die Demonstration mit bis zu 5,3K bei 60 fps und einem Sichtfeld von 155°. Gemeinsam mit der integrierten IMU und ORB-SLAM3 entsteht ein visuell-inertiales 6D-Pose-Tracking, das Bewegungsabläufe räumlich erfasst und automatisch verwertbare Trajektoriendaten für das Robot Learning erzeugt.

Bis zu 4.000 Demonstrationen pro Tag

Skalierbare Datenerfassung für datenintensive Robotikprojekte

Das portable Handheld-Konzept ist auf eine schnelle Erfassung großer Demonstrationsmengen ausgelegt. Unter den angegebenen Workflow-Bedingungen sind bis zu 4.000 Demonstrationsdatensätze pro Betriebstag möglich. Dadurch lassen sich Trainingsdatensätze für unterschiedliche Objekte, Positionen, Umgebungen und Aufgabenvarianten deutlich effizienter aufbauen.

Datenerfassung · Training · Deployment

Durchgängiger Workflow vom Menschen bis zum Roboter

Pocket Go kombiniert Handheld-Greifer, robotermontierbaren Endeffektor und einen vollständigen Software-Stack für Datenerfassung, Kalibrierung, Trajektorienverarbeitung, Modelltraining und Deployment. Trainierte Manipulationsfähigkeiten können anschließend auf kompatiblen DOBOT Nova- und CR-Roboterarmen ausgeführt werden. Für lokales Training und Inferenz steht optional ein leistungsfähiger Mini AI Computer zur Verfügung.

DOBOT Pocket Go für Embodied AI & Imitationslernen

DOBOT Pocket Go: Portable Datenerfassung für Robot Learning

Der DOBOT Pocket Go ist eine portable Datenerfassungsplattform für Embodied AI, Imitationslernen und die Entwicklung autonomer Manipulationsfähigkeiten. Statt Bewegungsabläufe ausschließlich in Simulationen oder über aufwendige Teleoperationssysteme zu erzeugen, können Entwickler eine gewünschte Aufgabe direkt mit einem handgeführten Greifer demonstrieren. Kamera, IMU und visuell-inertiales Tracking zeichnen dabei die relevanten Bewegungs- und Umgebungsinformationen auf. Aus diesen Demonstrationen entstehen Trainingsdaten, die anschließend zur Entwicklung robotischer Manipulationsmodelle genutzt werden können.

Damit richtet sich Pocket Go vor allem an Robotikunternehmen, KI-Entwickler, Hochschulen und Forschungsabteilungen, die schnell hochwertige Daten für reale Greif-, Sortier-, Montage- oder Handlingaufgaben erzeugen möchten.

Menschliche Demonstrationen statt aufwendiger Roboterprogrammierung

Beim Imitationslernen wird eine Aufgabe zunächst von einem Menschen vorgemacht. Mit Pocket Go führt der Anwender den kompakten Handheld-Greifer direkt durch den gewünschten Bewegungsablauf. Das kann beispielsweise das Aufnehmen eines Objekts, das Umsetzen zwischen zwei Behältern, das Sortieren unterschiedlicher Komponenten oder ein kontrollierter Einsetzvorgang sein.

Das Handheld-Kit wiegt 0,93 kg und bietet eine Greiföffnung von 73,5 ± 1,5 mm sowie 100 mm effektive Greiftiefe. Objekte bis 2 kg können innerhalb der angegebenen Greifparameter gehandhabt werden. Dadurch lassen sich viele realistische Demonstrationen durchführen, ohne zuerst einen vollständigen Roboterarbeitsplatz programmieren zu müssen.

5,3K-Kamera und visuell-inertiales 6D-Pose-Tracking

Ein zentraler Bestandteil des Systems ist die GoPro Hero 12. Die Kamera bietet ein Sichtfeld von 155° und Aufnahmen mit bis zu 5,3K bei 60 Bildern pro Sekunde. HyperSmooth 6.0 unterstützt stabile Videodaten auch bei dynamischen Bewegungsabläufen.

Zusätzlich werden Kameradaten und Informationen der integrierten IMU über ORB-SLAM3 verarbeitet. Das visuell-inertiale SLAM-Verfahren rekonstruiert die räumliche Bewegung als 6D-Pose mit Position und Orientierung. Dadurch entstehen zu jeder Demonstration nicht nur Videosequenzen, sondern auch räumlich nutzbare Trajektorieninformationen für nachgelagerte Trainingsprozesse.

Bis zu 4.000 Demonstrationen pro Betriebstag

Für moderne Embodied-AI-Projekte wird häufig eine große Anzahl unterschiedlicher Demonstrationen benötigt. Ein Modell soll eine Aufgabe nicht nur unter einer einzigen idealen Bedingung beherrschen, sondern auch mit veränderten Objektpositionen, Greifpunkten und Umgebungssituationen umgehen können.

Pocket Go ist deshalb auf eine hohe Erfassungsgeschwindigkeit ausgelegt. Die Plattform unterstützt laut Produktspezifikation bis zu 4.000 Demonstrationsdatensätze pro Betriebstag. Der tatsächliche Durchsatz hängt von der jeweiligen Aufgabe und der Dauer einer Demonstration ab.

Durch die portable Erfassung können Varianten direkt dort aufgenommen werden, wo sie später relevant sind. Das erleichtert den Aufbau umfangreicher Datensätze für Pick-and-Place, Sortierung, Haushaltsmanipulation, Serviceaufgaben oder industrielle Montage.

Vom Handheld-Greifer zum Roboterarm

Zum Pocket-Go-Konzept gehören ein Handheld-Greifer für die menschliche Demonstration und ein separates Endeffektor-Greifer-Kit für den Einsatz am Roboterarm. Das robotermontierte Kit wiegt 1,58 kg und besitzt ebenfalls eine Greiföffnung von 73,5 ± 1,5 mm sowie 100 mm Greiftiefe. Der angegebene Objektgrößenbereich liegt bei 5 bis 75 mm.

End-to-End-Workflow für Training und Deployment

Pocket Go endet nicht bei der Aufnahme von Videos. Zum Plattformkonzept gehört ein Software-Stack für Datenerfassung, Kalibrierung, SLAM-Trajektorienverarbeitung, Modelltraining und Deployment. Zusätzlich stehen ein SDK und eine Docker-basierte Entwicklungsumgebung für individuelle Forschungs- und Integrationsprojekte zur Verfügung.

Die veröffentlichten Systemanforderungen nennen Ubuntu 20.04 beziehungsweise 23.10. Für Modelltraining werden mindestens 11 GB GPU-VRAM angegeben; für die Inferenz mindestens 2 GB. Als optionale lokale Recheneinheit steht ein Mini AI Computer mit Intel Core i9, NVIDIA RTX GPU, 64 GB DDR5 und 2 TB SSD zur Verfügung.

Embodied AI für Forschung und Hochschulen

Für Hochschulen eröffnet Pocket Go einen praxisnahen Zugang zu Themen wie Imitationslernen, Computer Vision, SLAM, Diffusion Models, Robot Learning und autonomer Manipulation. Studierende können den kompletten Prozess vom Aufzeichnen menschlicher Demonstrationen über Datenaufbereitung und Training bis zur Ausführung am realen Roboter untersuchen.

DOBOT Pocket Go für eigene Robot-Learning-Projekte einsetzen

Vor Projektstart sollten Zielaufgabe, verwendete Objekte, gewünschter Roboterarm, benötigte Demonstrationsmenge und verfügbare Rechenleistung definiert werden. Besonders bei Imitationslernen entscheidet die Qualität und Vielfalt der Trainingsdaten darüber, wie zuverlässig ein Modell später mit unterschiedlichen Situationen umgehen kann.