O financiamento do token nativo ROBO continua a sair, fazendo com que o sentimento da comunidade entrasse em colapso por um tempo. Hoje vamos explicar em detalhes a lógica subjacente do ROBO: o sistema OM1
🔽🔽🔽🔽🔽🔽🔽🔽
Antes de tudo, estabeleçamos um posicionamento:
OM1 = «Sistema operacional de robôs modular de código aberto, nativo de IA, hardware-neutro» desenvolvido pela OpenMind («Android do setor de robôs»). A aposta principal é uma base inteligente unificada para robôs de várias marcas + uma rede de colaboração descentralizada Fabric
1. Contexto do projeto e posicionamento
1) Dores do setor
Robôs tradicionais:
• Fabricantes com código fechado (Tesla, Boston Dynamics e pilhas desenvolvidas internamente por cada um)
• Ecossistema de software fragmentado para robôs quadrúpedes/humanoides/rodados
• Ao trocar qualquer hardware, é preciso reescrever um conjunto completo de código de percepção, navegação e interação; o custo de desenvolvimento é extremamente alto
2) Objetivo central do OM1
Fazer um runtime de inteligência corpórea geral (Robot OS):
Camada de abstração de hardware + núcleo de IA multimodal + raciocínio local e em nuvem + rede de colaboração entre robôs
Slogan: AI-Native (desenhado para modelos grandes e inteligência corpórea desde a base; não é apenas “encaixar” LLM no ROS antigo)
Protocolo open source: MIT (publicado no GitHub)
3) Equipe e capital
Sede em São Francisco; liderado por um professor da Universidade Stanford; equipe fundadora veio das equipes de robótica da Google e da Tesla; financiamento inicial de cerca de US$ 20 milhões, fortemente vinculada ao ecossistema de hardware de robôs (宇树科技, UBTECH/优必选, NVIDIA etc.).
Arquitetura central em camadas 2 e 4 (percepção → memória → decisão → ação)
Camada 1: camada de abstração de hardware (HAL) (a mais baixa)
• Neutro para hardware: remove diferenças entre motores, lidar e câmeras e chassi de robôs diferentes
• Compatibilidade nativa: ROS2, DDS e Zenoh, implantação conteinerizada com Docker
• Suporte a chips: ARM64 (Jetson/Orin), AMD64
• Adaptação nativa a hardware: Unitree Go2/Go1 (宇树), humanoide G1, robôs com rodas, braços mecânicos, humanoide LIMX etc.
Em uma frase: independentemente da forma do robô, usar o mesmo conjunto de instruções de IA em nível superior para controlar
Camada 2: camada de fusão de percepção multimodal
• Fusão de sensores: SLAM com lidar, câmeras de profundidade, VLM (modelos visuais de grande porte) e matriz de microfones
• Construção de mapa do ambiente, reconhecimento de pessoas, compreensão do cenário e memória espacial
• Design de privacidade: dessensibilização de rosto, filtragem de dados por região e coleta conforme requisitos
Camada 3: camada de cognição (principal destaque do OM1)
1. Memória longa persistente (Memory Bank)
O robô lembra conversas históricas, preferências do usuário, pontos de espaço e tarefas anteriores; preserva a memória entre oportunidades de conversa aberta
2. Núcleo central nativo de orquestração LLM/VLM
Adaptadores embutidos para conexão plugável: GPT-4o, Gemini, DeepSeek e modelos grandes open source locais
用 linguagem natural como barramento interno de instruções do robô
3. Agente de planejamento de tarefas
Transformar uma instrução em linguagem natural ("Patrulhar o salão de exposições; ao encontrar visitantes, cumprimentar ativamente") em tarefas passo a passo: navegação, detecção visual, interação por voz e execução de ações
Camada 4: camada de execução (saída de movimento e interação)
• Pilha de navegação: com base em Nav2 + SLAM para desvio autônomo de obstáculos e patrulha por pontos
• Enviar comandos de movimento para o controlador de base/chassi e para os controladores de juntas
• Saída de síntese de voz e avatar virtual na tela
• Suporta dois modos: inferência local na edge + inferência híbrida em nuvem
3. Duas tecnologias “coringa”: rede OM1 + FABRIC (com ecossistema associado)
1) OM1 (cérebro de um único robô)
Microserviços modularizados e conteinerizados; é possível atualizar separadamente os módulos de percepção, de modelos grandes e de navegação, sem interferência mútua
• Ambientes de simulação WebSim/Gazebo: treinar primeiro em simulação no computador e depois implantar no robô real
• SDK: prioridade para Python, para desenvolvedores com baixa barreira para criar habilidades robóticas
• Modelo de loja de habilidades: instalar novas capacidades no robô como se fosse um aplicativo de celular (inspeção, guiamento, acompanhamento, inspeção de armazém)
2) Rede de colaboração descentralizada FABRIC (camada de rede de nível superior do OM1)
Este é o ponto-chave que diferencia o OpenMind de um ROS de robôs comum:
1. Atribuir identidades digitais descentralizadas a cada robô OM1
2. Redes de segurança entre robôs de diferentes fabricantes, compartilhamento de mapas, compartilhamento de experiências do ambiente e trabalho colaborativo
3. Aprendizado experiencial distribuído: o caminho/estratégia otimizado por um robô em um cenário pode, com autorização, ser sincronizado com outros robôs do cluster
4. Inclui liquidação de tarefas na cadeia, validação de confiança do dispositivo (há rumores de colaboração com o ecossistema inicial do Pi Network)
Entendimento simples:
OM1 é o “cérebro” de uma única máquina; Fabric é o “cérebro em nuvem coletivo” de um grupo de robôs
4. Resumo das características-chave de tecnologia
1) Design nativo de IA (diferente do ROS tradicional)
ROS tradicional: controle de movimento em primeiro lugar, com IA como um “plug-in”
OM1: agentes de modelo grande, percepção multimodal, memória e raciocínio são componentes nativos da base do sistema
2) Arquitetura modular plug-and-play
• Troque de forma plugável o modelo visual, o LLM e o algoritmo de navegação que quiser
• Três modos de implantação: indústria, protótipos de pesquisa e educação/treinamento prático
3) Implantação híbrida com edge local + nuvem
• Ações críticas de segurança (desvio de obstáculos, equilíbrio): execução com baixa latência local
• Raciocínio complexo, diálogos de texto longo e treinamento com grandes volumes de dados: chamar a API OM1 na nuvem (serviço de API pago por uso)
4) Projetado para implantação voltada ao mercado
• Backoffice de monitoramento, controle de limite de tráfego, logs e manutenção de dispositivos
• Modelos pré-configurados para setores: inspeção em parques, acompanhamento em hospitais, guiamento em exposições, segurança em fábricas
5. Principais cenários de aplicação
1. Robôs humanoides/quadrúpedes para serviços comerciais
Visita guiada em museus/exposições, patrulha de edifícios, segurança patrimonial/condominial, assistência e acompanhamento em hospitais
2. Plataformas de robótica para pesquisa e universidades
Plataforma de desenvolvimento unificada; não precisa “reinventar a roda” para hardwares diferentes
3. Clusters de robôs industriais flexíveis
Coordenação entre múltiplos robôs com diferentes formatos para separação, patrulha e armazenamento
4. Serviço de API para robôs B2B (SaaS)
As empresas chamam os serviços em nuvem do OM1 para criar rapidamente robôs de serviços personalizados, reduzindo drasticamente os custos de desenvolvimento interno
6. Vantagens & principais lacunas na fase atual (objetivo)
✅ Vantagens
1. Ecossistema unificado através do hardware, reduzindo fragmentação no desenvolvimento de robôs
2. Duas rotas: open source + serviços comerciais em nuvem, equilibrando pesquisa e uso comercial
3. Fundir profundamente LLM, percepção corpórea e navegação espacial em uma única stack
4. Implantação conteinerizada, paradigma moderno de desenvolvimento cloud-native
⚠️ Limitações atuais (fase Beta)
1. Capacidade pesada de controle de movimento do corpo inteiro em humanoides; não supera a pilha de movimento otimizada em profundidade desenvolvida internamente pela Boston Dynamics
2. Dependência pesada da API de modelos grandes; capacidade de implantação 100% local offline ainda está em iteração
3. A rede descentralizada Fabric ainda está em fase de testes; há poucos casos de uso em larga escala para comercial
7. Resumo em uma frase
OM1 = um sistema operacional aberto de robôs gerais para a era da inteligência corpórea.
Ao usar a camada de abstração do hardware para nivelar diferenças entre dispositivos, e usar modelos grandes + memória longa para criar o “cérebro” cognitivo do robô; junto com a rede descentralizada Fabric para viabilizar colaboração entre vários robôs de marcas diferentes. O objetivo é se tornar a base unificada de software de nível inferior para a indústria de robôs.
