Robot menggunakan AI dengan cara yang mirip dengan bagaimana manusia menggunakan otak mereka untuk menavigasi ruangan tanpa terjatuh ke kursi. Mereka mengandalkan sensor, perangkat lunak, dan algoritma untuk mengetahui apa yang terjadi, memutuskan apa yang penting, dan mengambil tindakan—seringkali dalam batasan waktu yang ketat dan dengan data dunia nyata yang rumit.
Berikut adalah gambaran umum tentang bagaimana AI hadir di dalam robot agar dapat berfungsi secara efektif.
Artikel yang mungkin ingin Anda baca setelah ini:
🔗 Ketika robot-robot Elon Musk mengancam lapangan kerja
Apa yang dapat dilakukan robot Tesla dan peran mana yang mungkin berubah.
🔗 Apa itu AI robot humanoid?
Pelajari bagaimana robot humanoid merasakan, bergerak, dan mengikuti instruksi.
🔗 Pekerjaan apa yang akan digantikan oleh AI?
Peran yang paling rentan terhadap otomatisasi dan keterampilan yang tetap berharga.
🔗 Pekerjaan dan karier masa depan di bidang kecerdasan buatan
Jenjang karier AI saat ini dan bagaimana AI membentuk kembali tren ketenagakerjaan.
Bagaimana Robot Menggunakan AI? Model mental singkatnya
Sebagian besar robot yang didukung AI mengikuti siklus seperti ini:
-
Sensor 👀: Kamera, mikrofon, LiDAR, sensor gaya, encoder roda, dll.
-
Memahami 🧠: Mendeteksi objek, memperkirakan posisi, mengenali situasi, memprediksi gerakan.
-
Rencana 🗺️: Pilih tujuan, hitung jalur aman, jadwalkan tugas.
-
Aksi 🦾: Menghasilkan perintah motorik, menggenggam, berguling, menjaga keseimbangan, menghindari rintangan.
-
Belajar 🔁: Meningkatkan persepsi atau perilaku dari data (kadang-kadang online, sering kali offline).
Sebagian besar "AI" robot sebenarnya merupakan tumpukan komponen yang bekerja bersama-sama— persepsi , estimasi keadaan , perencanaan , dan kontrol —yang secara kolektif menghasilkan otonomi.
Salah satu realitas praktis di lapangan: bagian tersulit biasanya bukanlah membuat robot melakukan sesuatu sekali dalam demonstrasi yang bersih, melainkan membuatnya melakukan hal sederhana yang sama secara andal ketika pencahayaan berubah, roda tergelincir, lantai mengkilap, rak bergeser, dan orang-orang berjalan seperti NPC yang tidak dapat diprediksi.
Apa yang membuat otak AI yang baik untuk sebuah robot?
Sistem AI robot yang solid tidak hanya harus cerdas, tetapi juga harus andal di lingkungan dunia nyata yang tidak dapat diprediksi.
Karakteristik penting meliputi:
-
Kinerja waktu nyata ⏱️ (ketepatan waktu penting untuk pengambilan keputusan)
-
Ketahanan terhadap data yang berantakan (silau, kebisingan, kekacauan, keburaman gerakan)
-
Cara mengatasi kegagalan dengan elegan 🧯 (perlambat kecepatan, berhenti dengan aman, minta bantuan)
-
Prior yang baik + pembelajaran yang baik (fisika + batasan + ML - bukan hanya "firasat")
-
Kualitas persepsi yang terukur 📏 (mengetahui kapan sensor/model mengalami degradasi)
Robot terbaik seringkali bukanlah robot yang bisa melakukan trik spektakuler sekali saja, melainkan robot yang mampu melakukan pekerjaan membosankan dengan baik dari hari ke hari.
Tabel Perbandingan Komponen Dasar AI Robot Umum
| Komponen/alat AI | Untuk siapa ini? | Harganya cukup terjangkau | Mengapa ini berhasil |
|---|---|---|---|
| Visi komputer (deteksi objek, segmentasi) 👁️ | Robot bergerak, lengan robot, drone | Sedang | Mengubah input visual menjadi data yang dapat digunakan seperti identifikasi objek |
| SLAM (pemetaan + lokalisasi) 🗺️ | Robot yang bergerak ke sana kemari | Sedang-Tinggi | Membangun peta sambil melacak posisi robot, penting untuk navigasi [1] |
| Perencanaan jalur + penghindaran rintangan 🚧 | Robot pengantar barang, AMR gudang | Sedang | Menghitung rute aman dan beradaptasi dengan rintangan secara real-time |
| Kontrol klasik (PID, kontrol berbasis model) 🎛️ | Segala sesuatu yang memiliki mesin | Rendah | Memastikan gerakan yang stabil dan dapat diprediksi |
| Pembelajaran penguatan (Reinforcement Learning/RL) 🎮 | Keterampilan kompleks, manipulasi, pergerakan | Tinggi | Belajar melalui kebijakan coba-coba yang didorong oleh imbalan [3] |
| Ucapan + bahasa (ASR, maksud, LLM) 🗣️ | Asisten, robot layanan | Sedang-Tinggi | Memungkinkan interaksi dengan manusia melalui bahasa alami |
| Deteksi anomali + pemantauan 🚨 | Pabrik, layanan kesehatan, keselamatan kritis | Sedang | Mendeteksi pola yang tidak biasa sebelum menjadi mahal atau berbahaya |
| Penggabungan sensor (filter Kalman, penggabungan terpelajar) 🧩 | Navigasi, drone, tumpukan otonomi | Sedang | Menggabungkan sumber data bising untuk estimasi yang lebih akurat [1] |
Persepsi: Bagaimana Robot Mengubah Data Sensor Mentah Menjadi Makna
Persepsi adalah proses di mana robot mengubah aliran data sensor menjadi sesuatu yang benar-benar dapat mereka gunakan:
-
Kamera → pengenalan objek, estimasi posisi, pemahaman adegan
-
LiDAR → jarak + geometri rintangan
-
Kamera kedalaman → Struktur 3D dan ruang bebas
-
Mikrofon → isyarat ucapan dan suara
-
Sensor gaya/torsi → pegangan dan kolaborasi yang lebih aman
-
Sensor taktil → deteksi selip, peristiwa kontak
Robot mengandalkan AI untuk menjawab pertanyaan seperti:
-
“Benda apa saja yang ada di depan saya?”
-
“Apakah itu orang sungguhan atau manekin?”
-
“Di mana pegangannya?”
-
“Apakah ada sesuatu yang bergerak ke arahku?”
Detail yang halus namun penting: sistem persepsi idealnya harus menghasilkan ketidakpastian (atau proksi kepercayaan), bukan hanya jawaban ya/tidak—karena perencanaan dan keputusan keselamatan selanjutnya bergantung pada seberapa yakin robot tersebut.
Lokalisasi dan Pemetaan: Mengetahui Lokasi Anda Tanpa Panik
Robot perlu mengetahui di mana ia berada agar dapat berfungsi dengan baik. Hal ini sering kali ditangani melalui SLAM (Simultaneous Localization and Mapping) : membangun peta sambil memperkirakan posisi robot secara bersamaan. Dalam formulasi klasik, SLAM diperlakukan sebagai masalah estimasi probabilistik, dengan keluarga umum termasuk pendekatan berbasis EKF dan berbasis filter partikel. [1]
Robot ini biasanya menggabungkan:
-
Odometri roda (pelacakan dasar)
-
Pencocokan pemindaian LiDAR atau penanda visual
-
IMU (rotasi/percepatan)
-
GPS (di luar ruangan, dengan keterbatasan)
Robot tidak selalu dapat dilokalisasi dengan sempurna—oleh karena itu, sistem yang baik bertindak seperti orang dewasa: melacak ketidakpastian, mendeteksi penyimpangan, dan beralih ke perilaku yang lebih aman ketika kepercayaan menurun.
Perencanaan dan Pengambilan Keputusan: Memilih Langkah Selanjutnya
Setelah robot memiliki gambaran dunia yang dapat dipahami, ia perlu memutuskan apa yang harus dilakukan. Perencanaan sering kali muncul dalam dua lapisan:
-
Perencanaan lokal (refleks cepat) ⚡
Hindari rintangan, kurangi kecepatan di dekat orang, ikuti jalur/koridor. -
Perencanaan global (gambaran besar) 🧭
Pilih tujuan, tentukan rute untuk menghindari area yang diblokir, jadwalkan tugas.
Dalam praktiknya, di sinilah robot mengubah "Saya rasa saya melihat jalur yang jelas" menjadi perintah gerakan konkret yang tidak akan menabrak sudut rak atau masuk ke ruang pribadi manusia.
Kontrol: Mengubah Rencana Menjadi Gerakan yang Lancar
Sistem kendali mengubah tindakan yang direncanakan menjadi gerakan nyata, sambil menangani gangguan di dunia nyata seperti:
-
Gesekan
-
Perubahan muatan
-
Gaya berat
-
Keterlambatan dan reaksi balik motor
Alat umum meliputi PID , kontrol berbasis model , kontrol prediktif model , dan kinematika invers untuk lengan—yaitu, matematika yang mengubah “letakkan penjepit di sana ” menjadi gerakan sendi. [2]
Cara yang berguna untuk memahaminya:
Perencanaan memilih jalur.
Kontrol membuat robot benar-benar mengikuti jalur tersebut tanpa goyah, melampaui jalur, atau bergetar seperti troli belanja yang diberi kafein.
Pembelajaran: Bagaimana Robot Meningkatkan Kemampuannya Alih-alih Diprogram Ulang Selamanya
Robot dapat meningkatkan kemampuannya dengan belajar dari data, bukan dengan disetel ulang secara manual setelah setiap perubahan lingkungan.
Pendekatan pembelajaran utama meliputi:
-
Pembelajaran terawasi 📚: Belajar dari contoh yang diberi label (misalnya, “ini adalah palet”).
-
Pembelajaran mandiri (Self-supervised learning ) 🔍: Mempelajari struktur dari data mentah (misalnya, memprediksi frame di masa mendatang).
-
Pembelajaran penguatan 🎯: Mempelajari tindakan dengan memaksimalkan sinyal imbalan dari waktu ke waktu (sering dikaitkan dengan agen, lingkungan, dan pengembalian). [3]
Keunggulan RL: mempelajari perilaku kompleks di mana mendesain pengontrol secara manual sangat sulit.
Keunggulan RL lainnya: efisiensi data, keamanan selama eksplorasi, dan kesenjangan antara simulasi dan dunia nyata.
Interaksi Manusia-Robot: AI yang Membantu Robot Bekerja dengan Manusia
Bagi robot di rumah atau tempat kerja, interaksi sangatlah penting. AI memungkinkan:
-
Pengenalan suara (suara → kata)
-
Deteksi maksud (kata → makna)
-
Pemahaman isyarat (menunjuk, bahasa tubuh)
Ini terdengar sederhana sampai Anda menerapkannya: manusia tidak konsisten, aksen bervariasi, ruangan berisik, dan "di sana" bukanlah kerangka koordinat.
Kepercayaan, Keamanan, dan “Jangan Berperilaku Menyeramkan”: Bagian yang Kurang Menyenangkan Namun Penting
Robot adalah sistem AI yang memiliki konsekuensi fisik , sehingga praktik kepercayaan dan keselamatan tidak bisa dianggap remeh.
Perancah pengaman praktis biasanya meliputi:
-
Memantau kepercayaan/ketidakpastian
-
Perilaku konservatif ketika persepsi menurun
-
Pencatatan tindakan untuk debugging dan audit
-
Tetapkan batasan yang jelas tentang apa yang dapat dilakukan robot
Cara tingkat tinggi yang berguna untuk membingkai hal ini adalah manajemen risiko: tata kelola, pemetaan risiko, pengukurannya, dan pengelolaannya di seluruh siklus hidup—sejalan dengan bagaimana NIST menyusun manajemen risiko AI secara lebih luas. [4]
Tren “Model Besar”: Robot yang Menggunakan Model Dasar
Model-model dasar mendorong ke arah perilaku robot yang lebih umum—terutama ketika bahasa, penglihatan, dan tindakan dimodelkan secara bersamaan.
Salah satu contoh arah adalah visi-bahasa-aksi (VLA) , di mana suatu sistem dilatih untuk menghubungkan apa yang dilihatnya + apa yang diperintahkan untuk dilakukannya + tindakan apa yang harus diambilnya. RT-2 adalah contoh yang banyak dikutip dari pendekatan gaya ini. [5]
Bagian yang menarik: pemahaman yang lebih fleksibel dan tingkat tinggi.
Namun, kenyataan yang perlu diperhatikan: keandalan di dunia nyata tetap membutuhkan batasan—estimasi klasik, kendala keselamatan, dan kontrol konservatif tidak hilang hanya karena robot dapat "berbicara cerdas."
Catatan Akhir
Jadi, bagaimana robot menggunakan AI? Robot menggunakan AI untuk merasakan , memperkirakan keadaan (di mana saya berada?) , merencanakan , dan mengendalikan —dan terkadang belajar dari data untuk meningkatkan kinerja. AI memungkinkan robot untuk menangani kompleksitas lingkungan yang dinamis, tetapi keberhasilannya bergantung pada sistem yang andal dan terukur dengan perilaku yang mengutamakan keselamatan.
Referensi
[1] Durrant-Whyte & Bailey -
Simultaneous Localisation and Mapping (SLAM): Part I The Essential Algorithms (PDF) [2] Lynch & Park -
Modern Robotics: Mechanics, Planning, and Control (Preprint PDF) [3] Sutton & Barto -
Reinforcement Learning: An Introduction (2nd ed draft PDF) [4] NIST -
Artificial Intelligence Risk Management Framework (AI RMF 1.0) (PDF) [5] Brohan et al. - RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control (arXiv)