Letzten Oktober saß ich in einem Café in San Francisco und schaute mir ein Demo-Video auf meinem Handy an. Ein Roboterarm faltete Wäsche. Nicht nach einer vorprogrammierten Sequenz – er fand tatsächlich selbst heraus, wie man ein Hemd faltet, das er noch nie zuvor gesehen hatte.
Ich muss es mir fünfmal angesehen haben.
Seit acht Jahren entwickeln wir Motorsteuerungen. Tinymovr begann als Nebenprojekt, entwickelte sich zu einem echten Unternehmen, und unsere Steuerungen laufen heute in Robotern in über 30 Ländern – Quadrupedes, Armen, Drohnen, Exoskeletten. Aber als ich das Video sah, wurde mir klar: Die KI-Seite der Robotik beschleunigt sich, und die Hardware für die Bewegung muss mithalten.
Die Forscher, die verkörperte KI vorantreiben, sollten nicht zu Hardware-Experten werden müssen, nur um Experimente durchzuführen. Sie brauchen Bewegungssysteme, die sofort funktionieren – zuverlässig, erschwinglich, gut dokumentiert.
Deshalb ändern wir unseren Namen. Aus Tinymovr wird MotionLayer.
Wir ziehen uns nicht von der Bewegungssteuerung zurück. Wir legen noch einen drauf: EtherCAT-Controller sind in Entwicklung, und die Kernproduktlinie wächst stetig. Aber wir entwickeln auch die Tools, die Bewegung mit Lernen verbinden: Leader-Arme für die Teleoperation, Open-Source-Designs, Hardware, die sich nahtlos in die Software-Stacks integriert, die Forscher bereits verwenden.
Wir beginnen mit dem ML-101, einem Open-Source-Leader-Arm mit verbesserter Ergonomie, der für die VLA-Forschung entwickelt wurde. Vollständig offene Hardware und OSHWA-zertifiziert, keine Lizenzbeschränkungen.
Selbst bauen: https://github.com/tinymovr/ML101
Wenn Sie an Imitationslernen, VLA-Modellen oder irgendeiner Form von verkörperter KI arbeiten, melden Sie sich. Wir würden uns freuen, von Ihnen zu hören.
—Yannis
