TaskNPoint:
Unitree G1'e Dakikalar İçinde Tenis Backhand'i Öğretmek.
Caltech ekibi (Perona + Ames laboratuvarları) soruyu tersine çevirdi: backhand'i bin saat maç izleyerek değil, koçla antrenman yaparak öğreniriz — robot da öyle öğrenmeli. Sonuç: beceri başına tek insan gösterimi, tek GPU'da bir saatten kısa eğitim ve gerçek G1'in insan atışlarına forehand/backhand vurması. Bu incelemede: koç-öğrenci protokolü, sayılar, dürüst sınırlar ve Türkiye'de uygulama yolu.
Rakamlarla TaskNPoint
beceri başına gereken insan örneği — kısa bir video yeterli
tek GPU'da eğitim süresi; görev başına ödül ayarı yok
yavaş toplarda (0-4 m/s) gerçek robotta tenis vuruş başarısı
backhand'in kaderini belirleyen kritik raket hareketi — 'etkileşim penceresi'
| Görev (gerçek G1) | Yavaş Koşul | Hızlı Koşul |
|---|---|---|
| Tenis (forehand + backhand) | %100 (0-4 m/s top) | %45 (4-8 m/s top) |
| Futbol topu şutu | — | %70 (4-8 m/s top) |
| Kutu al-yerleştir | %60 | — |
Kaynak: arXiv:2606.26215. Toplar insan tarafından 8 m/s hıza ve 2 m yanal mesafeye kadar atılmıştır; durum kestirimi OptiTrack motion-capture ile yapılmıştır.
Koç-öğrenci protokolü: 4 girdi, sonrası antrenman
TaskNPoint'in tezi yapısal: dinamik becerilerde sonucu yörüngenin kısa bir kesiti belirler; o kesit doğru çıksın diye tüm hareket koordine edilir. İnsan koç "ne"yi ve "nerede kritik"i verir, simülasyondaki RL antrenmanı "nasıl"ı doldurur. Aynı ailenin saha-odaklı örneği için RoboNaldo incelememize bakın.
Beceri başına tek gösterim
Koçun katkısı bin saatlik veri değil, beceri başına TEK kısa insan videosu. 3B insan pozu PromptHMR ile çıkarılır, GMR ile G1 iskeletine yeniden hedeflenir. Tenis vuruşları CalTennis çok-açılı gösterimlerinden gelir.
Etkileşim penceresini işaretle
Backhand'in kaderini, topla temas etrafındaki ≈20 cm'lik raket hareketi belirler. Koç bu kritik pencereyi işaretler; RL tüm gövde hareketini bu pencerenin doğru çıkmasına hizalar. Kontrol, fizik ve morfoloji tek noktada buluşur.
Hedefleri rastgeleleştir
Eğitim sırasında temas noktası, hız ve yön normal dağılımdan örneklenir. Böylece tek gösterim, hiç görülmemiş hedef konumlarına sıfır-atış genellenir — robot topu nereye isterseniz oraya vurmayı tek örnekten öğrenir.
1 saatte, tek GPU'da eğit
Fizik-gerçekçi simülasyonda (MJlab) eğitim tek GPU'da bir saatten kısa sürer ve görev başına ödül ayarı gerektirmez. Tipik insansı RL projelerinin günler süren eğitim + ödül mühendisliği döngüsüne karşı çarpıcı bir verimlilik iddiası.
Bilinen Sınırlar — makalenin kendi ifadeleriyle
- —Durum kestirimi OptiTrack motion-capture ile yapılır — algı robotun üzerinde değil, laboratuvar altyapısındadır; politika OptiTrack verisini ethernet üzerinden 50 Hz'de alır.
- —Yazarlara göre donanım hatalarının çoğunluğu top yörüngesi kestirimindeki hatalardan kaynaklanır — sistem kestirim doğruluğunu veri kabul eder.
- —Eğitimde kuvvet geri beslemesi yoktur; bu, temas-yoğun manipülasyon becerilerini sınırlar.
- —Hızlı toplarda (4-8 m/s) tenis başarısı %45'e düşer — insan seviyesindeki refleks henüz uzak.
Unitree G1 / G1 EDU
Tek gösterim + bir saatlik eğitim iddiası, bu tür araştırmayı üniversite laboratuvarı ölçeğine indiriyor. Gereken taban G1 EDU: eklem seviyesinde SDK, simülasyon desteği ve Jetson Orin NX. Türkiye'de yetkili distribütör fiyatı G1 için $24.500'den, G1 EDU için $34.200'den başlar.
Laboratuvar kurulum desteği
Robotlar.org; G1 EDU tedariki, simülasyon ortamı ve durum-kestirim altyapısı kurulumu, SDK/ROS2 yapılandırması ve araştırmacı eğitimini uçtan uca sağlar. Üniversiteler ve TÜBİTAK destekli projeler için akademik fiyatlandırma mevcut.
Sıkça Sorulan Sorular
TaskNPoint nedir?
TaskNPoint, Caltech araştırmacılarının (Pietro Perona ve Aaron Ames ekipleri) Haziran 2026'da yayımladığı akademik çalışmadır (arXiv:2606.26215). Unitree G1'e tenis forehand/backhand vuruşu, futbol topu şutu ve kutu taşıma gibi dinamik becerileri; beceri başına TEK insan gösterimi ve tek GPU'da bir saatten kısa eğitimle, görev başına ödül ayarı yapmadan öğreten bir 'koç-öğrenci' protokolüdür.
'Etkileşim penceresi' fikri ne anlama geliyor?
Çalışmanın temel gözlemi şu: dinamik bir becerinin sonucunu, yörüngenin kısa ve kritik bir bölümü belirler — backhand'de topla temas anı etrafındaki yaklaşık 20 cm'lik raket hareketi. İnsan koç bu pencereyi işaretler; RL de tüm hareketi bu pencerenin doğru çıkmasına hizmet edecek şekilde optimize eder. Öğrenme böylece 'bin saat maç izlemek'ten 'koçla antrenman yapmak'a dönüşür.
Koç robota tam olarak ne veriyor?
Dört girdi: (1) ayrık beceri seti (ör. farklı vuruşlar), (2) beceri başına tek gösterim — kısa bir insan videosu, (3) etkileşim penceresinin işaretlenmesi, (4) hedef. Gerisini fizik-gerçekçi simülasyonda RL tamamlar; eğitim sırasında hedefler rastgele örneklendiği için tek gösterim, hiç görülmemiş hedef konumlarına sıfır-atış genellenir.
Gerçek robotta sonuçlar ne?
Gerçek Unitree G1; insan tarafından atılan toplara forehand ve backhand vuruyor, gelen futbol toplarına şut çekiyor ve kutuları alıp yerleştiriyor. Yavaş toplarda (0-4 m/s) tenis başarısı %100, hızlı toplarda (4-8 m/s) %45; futbolda hızlı toplarda %70; kutu görevinde %60. Toplar 8 m/s hıza ve 2 m yanal mesafeye kadar atılmıştır.
Eğitim maliyeti gerçekten bu kadar düşük mü?
Makalenin kendi ifadesiyle: 'kısa insan video gösterimlerinden, tek GPU'da bir saatten az eğitimle ve görev başına ödül ayarı olmadan'. Bu, tipik insansı RL projelerindeki günlerce süren eğitim ve hassas ödül mühendisliğine kıyasla çarpıcı bir erişilebilirlik iddiasıdır — üniversite laboratuvarı ölçeğinde tekrarlanabilir.
Önemli bir sınırı var mı?
Evet, dürüst olalım: gerçek robot deneylerinde durum kestirimi OptiTrack motion-capture sistemiyle yapılıyor — yani algı robotun üzerinde değil, laboratuvar altyapısında. Yazarlar donanım hatalarının çoğunun top yörüngesi kestirim hatasından geldiğini belirtiyor. Ayrıca eğitimde kuvvet geri beslemesi yok. Robot-üstü algıyla çalışan zıt örnek için RoboNaldo incelememize bakın.
Bu Unitree'nin çalışması mı? Kendi G1'imde deneyebilir miyim?
Çalışma Caltech'e aittir; Unitree'nin rolü G1 donanımıdır (27 serbestlik derecesi kullanılmış). Benzer bir kurulum için G1 EDU (SDK + simülasyon desteği), bir simülatör ve hareket yakalama ya da alternatif bir durum kestirimi gerekir. Robotlar.org, Türkiye yetkili distribütörü olarak G1 EDU tedariki ve laboratuvar kurulum desteği sağlar; sitemizdeki G1 tenis rehberi de bu çalışmanın öncüllerini anlatır.
TaskNPoint ile RoboNaldo'nun farkı ne?
İkisi de 'hareket referansı + görev ödülü' ailesinden, ama vurguları zıt: RoboNaldo tek beceriyi (şut) robot-üstü algıyla sahaya taşımaya odaklanır; TaskNPoint ise beceri çeşitliliğine ve öğretme verimliliğine — tek gösterim, bir saatlik eğitim, ödül ayarı yok — odaklanır ama algıyı laboratuvar motion-capture'ına bırakır. Birlikte okunduklarında insansı spor becerilerinin iki tamamlayıcı yol haritasını verirler.
Kaynaklar
TaskNPoint Makalesi (arXiv)
Orijinal çalışma: koç-öğrenci protokolü ve gerçek robot deneyleri (Werner, Demler, Perona, Ames — Caltech, 2026).
Proje Sayfası
Forehand/backhand, şut ve kutu görevlerinin videoları.
G1 Tenis Rehberimiz
G1'in tenis oynadığı önceki çalışmalar ve bağlam.
robotlar.org Destek
G1 EDU tedariki, simülasyon/laboratuvar kurulumu ve danışmanlık.
Koç Sizsiniz.
Öğrenci G1 Hazır.
Beceri öğrenimi araştırması, laboratuvar kurulumu veya G1 EDU tedariki için Türkiye'deki Unitree teknik ekibimizle konuşun.