Wetenschappers hebben World In Your Hands (WIYH) gepresenteerd, een uitgebreid open-source ecosysteem dat erop gericht is robots te leren hoe zij objecten op een menselijke wijze kunnen hanteren. Het project probeert de kloof te dichten tussen de natuurlijke handelingen van mensen en de technische uitvoering door robots, specifiek in uitdagende en onvoorspelbare omgevingen.
De basis van dit initiatief is een omvangrijke dataset die volgens een publicatie op arxiv.org meer dan 1.000 uur aan multimodale gegevens over manipulatie bevat. Deze data zijn verzameld in diverse reële scenario's en omvatten honderden verschillende vaardigheden. Het project onderscheidt zich doordat het voor het eerst op grote schaal visuele informatie, taal, tactiele sensoren en acties (VLTA) combineert. Om een hoge graad van precisie te waarborgen, is de bewegingsnauwkeurigheid van deze gegevens tot op de millimeter vastgelegd, wat cruciaal is voor het uitvoeren van fijnmotorische taken.
Om deze gedetailleerde data te kunnen verzamelen, hebben de onderzoekers de zogenaamde 'Oracle Suite' ontwikkeld. Deze draagbare kit is voorzien van een pijplijn voor automatische labeling, waardoor menselijke bewegingen tijdens het uitvoeren van een taak direct kunnen worden vertaald naar bruikbare informatie voor robotische systemen. Naast de hardware biedt het ecosysteem benchmarks en annotaties die helpen bij zowel de perceptie van de omgeving als de uiteindelijke fysieke actie.
De praktische resultaten van het WIYH-ecosysteem laten een aanzienlijke verbetering zien in de prestaties van robots. In situaties met veel obstructies of rommel, zogenaamde 'cluttered scenes', steeg het succespercentage van de robotische manipulatie van 8% naar 60%. Deze cijfers zijn opgenomen in het , waaruit blijkt dat het imiteren van menselijke bewegingspatronen effectiever is dan conventionele trainingsmethoden voor robots.
Het project is opgezet vanuit een open-source filosofie, waarbij zowel de hardware-ontwerpen als de verzamelde data publiekelijk toegankelijk zijn. De auteurs, waaronder Yupeng Zheng en 24 andere wetenschappers, willen hiermee een basis leggen voor 'cross-embodiment policy learning'. Dit concept houdt in dat de aangeleerde vaardigheden in theorie overdraagbaar zijn naar diverse soorten robotarmen en hardware-configuraties. Hoewel dergelijke technologische doorbraken vaak wereldwijd worden gevolgd door nieuwsagentschappen zoals reuters.com, ligt de focus van dit specifieke project op de academische verspreiding van VLTA-data.
De meest recente update van het project, versie 4, werd op 21 september 2026 gepubliceerd via , nadat het oorspronkelijke werk eind december 2025 was ingediend. Door deze openbare beschikbaarheid kunnen onderzoekers wereldwijd voortbouwen op de resultaten om de interactie tussen mens en machine verder te optimaliseren.