Dobot
zzgl. MwSt.
Verfügbarkeit für Abholungen konnte nicht geladen werden
Preismodelle
Vergleiche Optionen klar, schnell, ohne Kleingedrucktes. Unsere Empfehlung ist hervorgehoben.
Flexibel finanzieren
Inklusive
Günstigster Preis
Inklusive
Flexible Konditionen
Inklusive
ㅤ
Wechseln Sie zwischen den Registern, um Inhalte zu sehen.
Pocket Go zeichnet menschlich demonstrierte Manipulationsabläufe mit visuellen und räumlichen Bewegungsdaten auf und schafft damit hochwertige Trainingsdaten für lernende Robotersysteme.
Greifen, Umsetzen, Sortieren oder Aufräumen lassen sich direkt in realen Umgebungen demonstrieren und als Datengrundlage für spätere autonome Roboteraufgaben erfassen.
Wiederkehrende Greif- und Ablagebewegungen können schnell aufgezeichnet werden – ideal für Robot Learning bei Sortierung, Teilehandling und Materialbereitstellung.
Präzise Einsetz-, Positionier- und Montageabläufe lassen sich manuell demonstrieren und anschließend für das Training robotischer Manipulationsmodelle nutzen.
Die portable Plattform eignet sich für Forschung, Lehre und Entwicklungsprojekte rund um Embodied AI, Robot Learning, Imitationslernen und autonome Manipulation.
Vom menschlich geführten Handheld-Greifer bis zur Ausführung am kompatiblen DOBOT Roboterarm unterstützt Pocket Go einen durchgängigen Workflow für Training und Inferenz.
Der Dobot Pocket Go ist das ultimative mobile System zur Erfassung hochpräziser, multimodaler Demonstrationstypen für fortschrittliches Imitationslernen. Entwickelt für KI-Entwickler, Forschungseinrichtungen und Robotik-Ingenieure, ermöglicht die tragbare Plattform eine schnelle und flexible Datengenerierung direkt in realen Einsatzszenarien. Durch das Zusammenspiel aus hochauflösender Optik, Visual-Inertial-SLAM und einem durchgängigen Software-Stack beschleunigt der Pocket Go das Training robuster KI-Roboter-Modelle signifikant.
Vorteil für Profis: Der Dobot Pocket Go löst den Engpass bei der Beschaffung hochwertiger Trainingsdaten für KI-Roboter. Mit seiner Kombination aus mobilem Handheld-Design, erstklassiger SLAM-6D-Erfassung und durchgängigem Software-Workflow senken Sie den Entwicklungsaufwand für Imitationslernen drastisch und bringen autonome Roboter-Fähigkeiten schneller in die Praxis.
Terra Robotics
https://terra-robotics.de/
mail@terra-robotics.de
Zeißstraße 10,
32584 Löhne
Deutschland
0,93 kg Handheld-Kit · bis 2 kg Greifgewicht
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
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
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
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.
Der DOBOT Pocket Go ist eine portable Datenerfassungsplattform für Embodied AI, Robot Learning und Imitationslernen. Menschlich ausgeführte Greif- und Manipulationsaufgaben werden mit Kamera-, IMU- und 6D-Pose-Daten aufgezeichnet und anschließend als Trainingsdaten für lernende Robotermodelle genutzt.
Ein Anwender führt die gewünschte Aufgabe mit dem Pocket Go Handheld-Greifer manuell aus. Kamera und IMU erfassen dabei Umgebung und Bewegung, während ORB-SLAM3 die räumliche 6D-Pose rekonstruiert. Die aufgezeichneten Demonstrationen werden anschließend verarbeitet, zum Training eines Manipulationsmodells genutzt und auf einem kompatiblen Roboterarm ausgeführt.
Pocket Go kombiniert hochauflösende Videodaten mit inertialen Bewegungsinformationen und visuell-inertialem 6D-Pose-Tracking. Dadurch werden nicht nur Kamerabilder, sondern auch räumliche Bewegungsverläufe der Demonstration erfasst, die für das Training robotischer Manipulationsmodelle genutzt werden können.
Das System nutzt eine GoPro Hero 12 mit 1/1,9-Zoll-CMOS-Sensor, 155° Sichtfeld und HyperSmooth 6.0. Unterstützt werden unter anderem Videoaufnahmen mit 5,3K bei 60 fps. Die integrierte IMU liefert zusätzlich Bewegungsinformationen für das visuell-inertiale Tracking.
Die Plattform ist laut Produktspezifikation für bis zu 4.000 Demonstrationsdatensätze pro Betriebstag ausgelegt. Der tatsächlich erreichbare Durchsatz hängt von Aufgabe, Demonstrationsdauer, Objektwechseln, Versuchsaufbau und organisatorischem Workflow ab.
Das Handheld-Kit besitzt eine Standardöffnung von 73,5 ± 1,5 mm, eine effektive Greiftiefe von 100 mm und ist für ein maximales Greifgewicht von bis zu 2 kg ausgelegt. Beim robotermontierten Endeffektor wird zusätzlich ein Objektgrößenbereich von etwa 5 bis 75 mm angegeben.
Das 0,93 kg schwere Handheld-Kit wird vom Menschen geführt und dient zur Aufnahme der Demonstrationen. Das 1,58 kg schwere Endeffektor-Kit wird anschließend an einem kompatiblen DOBOT Roboterarm eingesetzt, damit gelernte Manipulationsaufgaben mit einem vergleichbaren Greif- und Kamerakonzept autonom ausgeführt werden können.
Pocket Go ist für kompatible Roboterarme der DOBOT Nova- und CR-Serie ausgelegt. Die Produktunterlagen nennen insbesondere Nova 2, Nova 5, CR3, CR5 und CR7 für den mobilen Aufbau. Der benötigte Roboterarm ist nicht Bestandteil der Standard-Datenerfassungsplattform und muss passend zum Projekt ausgewählt werden.
Der Software-Workflow umfasst Datenerfassung, SLAM-Trajektorienverarbeitung, Modelltraining, Deployment und SDK. Die veröffentlichten Systemanforderungen nennen Ubuntu 20.04 oder 23.10. Für das Training werden mindestens 11 GB GPU-VRAM angegeben, während für die Inferenz mindestens 2 GB GPU-VRAM vorgesehen sind.
Nein. Der Mini AI Computer ist eine optionale Erweiterung für lokales Edge-Training und Inferenz. Die angebotene Konfiguration kombiniert einen Intel-Core-i9-Prozessor mit einer NVIDIA-RTX-GPU mit mindestens 11 GB VRAM und ermöglicht das Trainieren, Validieren und Ausführen von Modellen direkt am Einsatzort ohne permanente Cloud-Anbindung.
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.
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.
Für Unternehmen, die solche Aufgaben später automatisieren möchten, bietet unsere Seite zu Montage und Handling weitere Anwendungsbeispiele.
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.
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.
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.
Dadurch entsteht eine direkte Verbindung zwischen Datenerfassung und späterer robotischer Ausführung. Pocket Go ist für kompatible Modelle der DOBOT Nova- und CR-Serie vorgesehen. Ein mögliches Robotersystem ist beispielsweise der kompakte DOBOT Nova 2. Einen Überblick über weitere Plattformen bietet unsere DOBOT Herstellerseite.
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.
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.
Damit ergänzt Pocket Go klassische Roboterprogrammierung um datengetriebene Methoden. Weitere Robotiklösungen für Forschung und Ausbildung finden Sie im Bereich Schulen und Universitäten. Für Dual-Arm-Experimente und weiterführende Robot-Learning-Szenarien ist außerdem der DOBOT X-Trainer eine verwandte Plattform.
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.
Terra Robotics unterstützt bei der Auswahl der passenden DOBOT Plattform und beim Aufbau eines geeigneten Robotik- und Embodied-AI-Setups. Für eine konkrete Projektbewertung können Sie Ihren Anwendungsfall über das Kontaktformular für Robotikprojekte einreichen.
