Belakangan ini saya menyadari sebuah teknologi yang benar-benar dapat diimplementasikan di bidang robot—diffusion policy—sedang secara bertahap mengubah cara kerja otomatisasi industri. Ini bukan sekadar sesuatu yang hanya ada di makalah, melainkan sudah teruji di skenario nyata.

Ngomong-ngomong, banyak metode pembelajaran robotik yang terlalu idealis atau hanya berlaku dalam kondisi tertentu. Tapi diffusion policy berbeda. Metode yang dikembangkan oleh Columbia University dan Toyota Research Institute ini berfokus pada memanfaatkan model difusi dari generasi gambar, menjadikan pembelajaran aksi robot sebagai proses denoising. Kedengarannya agak abstrak, tapi hasilnya sangat nyata—dalam pengujian 15 tugas, performa meningkat rata-rata sebesar 46.9% dibandingkan metode tradisional, ini bukan sekadar peningkatan marginal, melainkan loncatan kualitas.

Saya rasa kunci di balik ini adalah diffusion policy mampu menangani masalah "kotor" yang dihadapi robot di dunia nyata. Misalnya, satu aksi bisa dilakukan dengan berbagai cara, ada halangan di lingkungan, gangguan, bahkan fluktuasi saat robot menjalankan tugas. Metode regresi konvensional mudah terjebak oleh kompleksitas ini, tapi diffusion policy melalui iterasi berulang dalam memperbaiki rangkaian aksi, secara alami mampu mengatasi situasi multimodal seperti ini.

Dari sudut pandang teknis, diffusion policy bekerja dengan memulai dari noise murni, lalu secara bertahap mengoptimalkan menjadi rangkaian aksi tertentu berdasarkan input visual. Ini bukan sekadar memetakan observasi ke aksi satu-ke-satu, melainkan mampu memprediksi 16 langkah ke depan, mengeksekusi 8 langkah, lalu merencanakan ulang—menjamin kelancaran sekaligus respons cepat terhadap perubahan lingkungan. Di hardware nyata (misalnya robot UR5 dengan kamera RealSense), performa metode ini juga cukup stabil.

Bagi perusahaan manufaktur atau otomatisasi industri, apa artinya ini? Pertama, siklus deployment menjadi lebih singkat. Dengan 50-200 contoh demonstrasi, bisa melatih model yang cukup baik, dan waktu inferensi bisa dikendalikan di bawah 0.1 detik (dengan NVIDIA 3080), sangat penting untuk tugas yang membutuhkan feedback real-time. Kedua, keandalan meningkat—dalam tugas visual Robomimic, diffusion policy mencapai tingkat keberhasilan 90-100%, sedangkan metode lama hanya 50-70%. Ini secara langsung berarti pengurangan limbah, peningkatan efisiensi lini produksi.

Contoh nyata di lapangan juga sangat meyakinkan. Dalam tugas menekan blok T, diffusion policy mampu mengatasi penghalang bergerak dan gangguan fisik; dalam menuang kopi, yang membutuhkan kontrol cairan yang presisi, juga bisa dilakukan secara stabil. Hal-hal ini sering menjadi tantangan bagi metode tradisional.

Tentu saja, metode ini tidak tanpa kekurangan. Saat inferensi, beban komputasi cukup tinggi—meskipun dengan DDIM percepatan dari 100 langkah menjadi 10, tapi kebutuhan daya komputasi tetap tidak kecil. Namun, dari sudut pandang ROI, investasi awal di hardware akan terbayar dengan keandalan dan skalabilitas jangka panjang, dan ini cukup menguntungkan bagi kebanyakan perusahaan.

Saya juga melihat ada solusi alternatif yang lebih ringan, seperti Action Lookup Table yang mengklaim bisa mencapai hasil serupa dengan perhitungan lebih sedikit, tapi itu lebih ke memori dan pencarian tabel, kurang fleksibel dibanding diffusion policy yang generatif. Ada juga pengembangan 3D Diffusion Policy yang mencoba menggunakan visual 3D untuk meningkatkan kemampuan inferensi spasial. Ini semua menarik, tapi dari hasil benchmark, diffusion policy tetap menjadi pilihan paling stabil dan serbaguna saat ini.

Melihat ke depan, perkembangan di bidang ini sangat cepat. Dengan menggabungkan reinforcement learning, memperluas ke lebih banyak derajat kebebasan, atau mengintegrasikan dengan model besar, tingkat keberhasilan bisa mendekati 99%. Alat komersial mungkin sudah muncul sekitar tahun 2027, sehingga UKM pun bisa mengadopsi solusi robotik ini. Optimisasi hardware juga terus berlangsung, dengan potensi menurunkan latensi lebih jauh lagi.

Secara keseluruhan, diffusion policy mewakili lompatan penting dari pembelajaran robotik dari teori ke praktik. Kalau Anda di bidang ini dan belum mempertimbangkan mengadopsi solusi ini, mungkin akan tertinggal. Kode dan demo-nya sudah dirilis open source di GitHub, yang berminat bisa langsung mencoba.