Kemampuan robot untuk bergerak dengan luwes seperti manusia selalu menjadi tantangan besar dalam dunia teknologi. Para ilmuwan mencoba berbagai pendekatan untuk membuat robot dapat meraih benda, memindahkan objek, atau melakukan tugas rumit yang membutuhkan koordinasi antara mata dan gerakan. Selama bertahun tahun, berbagai metode pembelajaran mesin dimanfaatkan untuk melatih robot. Namun sebagian dari metode tersebut masih menunjukkan keterbatasan ketika robot dihadapkan pada kondisi nyata yang jauh lebih beragam dibandingkan dengan lingkungan simulasi.
Diffusion Policy hadir sebagai pendekatan baru yang menawarkan lompatan sangat signifikan dalam kemampuan robot mempelajari gerakan. Para peneliti memperkenalkan konsep ini melalui studi yang menunjukkan bahwa robot dapat menghasilkan perilaku yang lebih stabil, lebih akurat, dan lebih adaptif hanya dengan memanfaatkan teknik yang sebelumnya populer di bidang kecerdasan buatan lain. Teknik tersebut dikenal dengan diffusion model dan biasanya digunakan untuk menghasilkan gambar, musik, atau teks berdasarkan pola yang dipelajari.
Baca juga artikel tentang: Ketahui Kebijakan Fiskal dalam Perspektif Ekonomi Makro Islam Lebih Dalam!
Para ilmuwan memanfaatkan prinsip serupa untuk melatih robot melalui diffusion model. Bedanya, yang dihasilkan bukan gambar melainkan urutan tindakan robot. Pendekatan ini membuat robot mampu memahami hubungan antara penglihatan dan gerakan atau yang dikenal sebagai visiomotor. Dengan kata lain robot belajar memproses informasi visual lalu mengubahnya menjadi tindakan fisik yang tepat.
Studi tersebut menguji Diffusion Policy pada lima belas tugas berbeda yang diambil dari empat tolok ukur robotik yang sudah dikenal luas. Hasil pengujian menunjukkan peningkatan kinerja yang sangat besar dengan rata rata peningkatan mencapai lebih dari empat puluh enam persen dibandingkan dengan metode pembelajaran robot yang selama ini dianggap canggih. Peningkatan sebesar ini bukan sekadar perbaikan kecil tetapi menunjukkan perubahan fundamental dalam cara robot belajar.
Diffusion Policy bekerja melalui beberapa langkah berurutan. Pertama model tersebut mempelajari distribusi tindakan yang mungkin dilakukan robot ketika menghadapi berbagai situasi. Pembelajaran ini berlangsung dengan memanfaatkan teknik denoising yang membuat model dapat memahami pola tindakan dari data yang tampak acak. Proses tersebut mirip dengan cara diffusion model menghasilkan gambar berkualitas tinggi dari kumpulan titik titik acak.
Setelah memahami pola tindakan model kemudian mengoptimalkan urutan tindakan tersebut melalui proses iteratif. Pada tahap ini model memanfaatkan dinamika stokastik yang memberi peluang untuk mencari solusi secara lebih fleksibel. Metode ini penting karena situasi di dunia nyata sering kali tidak terprediksi. Perubahan kecil pada posisi objek atau gangguan dari luar dapat mengubah langkah yang seharusnya dilakukan robot. Diffusion Policy memenuhi kebutuhan tersebut dengan memberikan ruang adaptasi yang lebih luas bagi robot.
Para peneliti juga menemukan beberapa keunggulan menarik dari pendekatan ini. Diffusion Policy mampu menangani distribusi tindakan yang sangat beragam. Robot tidak hanya melakukan satu jenis gerakan tetapi dapat menghasilkan banyak variasi tindakan untuk menyelesaikan satu tujuan. Hal ini membuat robot terlihat lebih alami ketika bekerja. Pendekatan ini juga cocok untuk lingkungan kerja dengan dimensi yang sangat tinggi. Robot modern memiliki banyak sendi dan setiap sendi bisa bergerak secara independen sehingga memerlukan metode pembelajaran yang mampu mengelola kombinasi gerak yang tidak terhitung jumlahnya.
Kemampuan lain yang tidak kalah penting adalah stabilitas. Robot yang dilatih menggunakan Diffusion Policy menunjukkan performa yang jauh lebih stabil ketika diuji. Stabilitas sangat penting terutama ketika robot harus berinteraksi dengan manusia atau harus bekerja dalam lingkungan industri yang tidak menyediakan ruang untuk kesalahan.
Studi ini juga tidak berhenti hanya pada pengembangan konsep dasar. Para peneliti menyertakan beberapa kontribusi teknis tambahan yang membuat Diffusion Policy semakin kuat. Mereka menggabungkan kontrol receding horizon yang memberikan kemampuan bagi robot untuk memperbarui rencana geraknya secara dinamis. Konsep ini dapat dianalogikan dengan cara manusia menyesuaikan langkah ketika melihat perubahan kecil di depan mata.
Mereka juga menambahkan visual conditioning yang memungkinkan model memanfaatkan informasi visual secara lebih optimal. Selain itu mereka memperkenalkan transformer khusus yang mampu memproses urutan waktu atau time series. Teknologi ini membantu robot memahami bagaimana suatu tindakan mempengaruhi situasi berikutnya sehingga robot dapat merespons situasi dengan lebih tepat.
Kemampuan Diffusion Policy untuk melampaui metode lain menunjukkan bahwa masa depan pembelajaran robot akan bergerak ke arah yang jauh lebih generatif. Artinya robot tidak hanya meniru gerakan dari data tetapi dapat menghasilkan gerakan baru yang sesuai dengan konteks. Pendekatan ini membuka peluang besar bagi pengembangan robot layanan rumah tangga industri kesehatan dan banyak bidang lain yang membutuhkan robot dengan kemampuan fisik cerdas.
Penelitian ini juga berperan sebagai motivasi bagi generasi baru teknik pembelajaran kebijakan robotik. Banyak metode robotik sebelumnya sangat bergantung pada penilaian akurat terhadap setiap tindakan. Diffusion Policy menawarkan pendekatan yang jauh lebih fleksibel sehingga dapat memanfaatkan kekuatan model generatif yang berkembang pesat dalam beberapa tahun terakhir.
Jika teknologi ini terus dikembangkan robot masa depan mungkin dapat belajar berinteraksi dengan dunia fisik sehalus manusia. Kemampuan tersebut tidak hanya memberi manfaat pada industri tetapi juga pada kehidupan sehari hari di mana robot dapat membantu pekerjaan rumah tangga merawat pasien lanjut usia atau membantu pekerja menyelesaikan tugas berat dengan aman.
Dengan munculnya Diffusion Policy dunia robotika memasuki fase baru. Fase yang menunjukkan bahwa kecerdasan buatan tidak hanya bekerja melalui pengambilan keputusan logis tetapi juga dapat menghasilkan gerakan yang lebih alami dan lebih manusiawi. Perpaduan penglihatan komputer kemampuan mengambil keputusan dan kemampuan menciptakan gerakan membuat robot semakin mendekati harapan banyak peneliti yaitu mampu menjadi rekan kerja yang andal di dunia nyata.
Baca juga artikel tentang: Menyatukan Kebijakan di Dunia yang Terpecah: Pelajaran dari Arktik untuk Adaptasi Iklim Global
REFERENSI:
Chi, Cheng dkk. 2025. Diffusion policy: Visuomotor policy learning via action diffusion. The International Journal of Robotics Research 44 (10-11), 1684-1704.
