少样本学习
训练过程中,机器人会观察任务的执行方式。Mentee 通过指导进行学习,能够在数小时而非数周内掌握新能力。
Mentee 专为AI落地实际应用场景而打造。得益于少样本学习、大规模仿真以及高度垂直整合的机器人技术,Mentee 旨在学习新任务、适应变化的环境,并在家庭与工作场所中安全地与人类协同作业。






挑战并非让机器人完成某项任务,而是创造一台能够适应新环境、快速学习新任务并安全地与人协同作业的机器人。因此,Mentee 围绕一个简单理念进行设计:人们应当像指导他人一样指导机器人。
Mentee方法论
在物理世界中,最困难的问题存在于长尾之中。对于在现实世界运行的人形机器人而言,新物体、新环境和意外的边缘案例每天都会出现。大多数机器人系统需要大量数据采集、遥操作或工程投入才能学习新任务。
Mentee 自设计之初就将现实世界的复杂性置于核心,旨在从少量示范中学习、在现实世界中以较高成功率执行任务,并通过仿真持续改进。
少样本学习
训练过程中,机器人会观察任务的执行方式。Mentee 通过指导进行学习,能够在数小时而非数周内掌握新能力。
Mentee方法论
在物理世界中,最困难的问题存在于长尾之中。对于在现实世界运行的人形机器人而言,新物体、新环境和意外的边缘案例每天都会出现。大多数机器人系统需要大量数据采集、遥操作或工程投入才能学习新任务。
Mentee 自设计之初就将现实世界的复杂性置于核心,旨在从少量示范中学习、在现实世界中以较高成功率执行任务,并通过仿真持续改进。
少样本学习
训练过程中,机器人会观察任务的执行方式。Mentee 通过指导进行学习,能够在数小时而非数周内掌握新能力。
Mentee 旨在从投入使用之初即可执行实用任务
自主导航
物品识别与操控
多步骤工作流程
协同与持续运行
任务规划与执行
学习并记忆家庭偏好
理解自然语言指令
取送与递交物品
自适应家庭环境变化
依据用户反馈优化
原生垂直整合架构
Mentee 在内部开发 AI、软件、电子部件、关节电机、控制系统和灵巧手。该方法有助于实现硬件与智能之间更紧密的整合,并缩小仿真与现实之间的差距。
高精度驱动器
定制关节电机和专有控制系统以性能、可靠性和可维护性为设计目标。
专属灵巧手
Mentee 的全可反向驱动手部可提供原生触觉反馈,并被设计为能够在广泛任务中进行稳健、适合人类环境的操控。