Důležitost cloudové sady SDK pro robotiku nemusí znít okázale, ale je naprosto zásadní pro pokrok v tomto odvětví. Pokud se pohybujete v technologických kruzích, uslyšíte o cloudových platformách denně, které jen zřídka podnítí představivost. Přesto pro humanoidní roboty a operátory ve fyzickém světě je sada nástrojů pro cloudovou simulaci základní nutností pro každého vývojáře, který se snaží rozšířit své školení. Přesné simulace virtuálního světa jsou v současné době jednou z nejžádanějších komodit v robotice. Výzkumníci provádějí nekonečné experimenty, aby zjistili, které kombinace reálných a syntetických dat generují nejpřesnější výsledky pro tréninkové úkoly Ano, společnosti jako Tesla mají obrovský náskok díky datům neuronových sítí, které shromáždily ze svých vozových parků, i když tato data jsou pouze nezpracovanou informací, dokud nejsou uvedena do praxe prostřednictvím realistických tréninkových simulací. Pro všechny ostatní není získání takové úrovně dat nebo dokonce hardwaru pro jejich napájení možností, pokud nejste masivně financovaná společnost. A právě zde přichází na řadu simulace cloudu. Přesunutím školení a testování robotů do cloudových virtuálních prostředí má kdokoli přístup k potřebným výpočtům a škálování. Cloudová platforma může centralizovat sdílení těchto simulací, výsledků a dat. V podstatě abstrahujete od přístupu za zavřenými dveřmi, ke kterým mají tyto miliardové společnosti přístup, rozsáhlých hardwarových komponent používaných v laboratořích a vynášení datových sad na veřejnost, kde se příspěvky open source stávají celkovým +EV pro inovace. Tento obchodní model se již osvědčil díky partnerství LeRobot (open source) společnosti Hugging Face se společností Nvidia za účelem propojení jejich frameworků, aby výzkumníci mohli sdílet modely, datové sady a simulační prostředí v cloudu. Konečným cílem je vytvořit datový setrvačník, protože lidé přispívají simulačními daty a vyškolenými politikami k otevření repozitářů, urychluje pokrok ostatních a na oplátku generuje globálně dostupná data. Hodně práce se do toho nalévá prostřednictvím zacelení mezery "od simulace ke skutečnému". Simulátory často zaostávaly za realitou, roboti se ve virtuálním světě učili chování, které se nepřeneslo do skutečného světa, protože fyzika nebo vizuální stránka nebyly dostatečně přesné. Tato mezera se nyní rychle uzavírá díky lepší věrnosti simulace a hybridním přístupům k trénování. Většina nejnovějších základních modelů v robotice (jako je Isaac GROOT od NVIDIA a Helix VLA od Figure) používá architekturu duálního systému, která napodobuje lidské poznávání. To samé platí pro to, jak trénují data ve světových simulátorech. Jedna část modelu je trénována na demonstračních datech z reálného světa, zatímco další část je trénována na obrovském množství syntetických dat generovaných pomocí vysoce věrných simulátorů. Kombinací fyzického a simulovaného tréninku se model učí přesné dovednosti, které lze lépe zobecnit. Skutečná data poskytují pravdu v AI, zatímco simulovaná data poskytují rozsah a rozmanitost, které je ve fyzickém světě nepraktické shromažďovat. Vývojáři mohou dokonce vyladit nebo odeslat trénované modely pomocí dalších skutečných nebo syntetických dat pro konkrétní úkoly, díky čemuž je trénovací řetězec extrémně flexibilní. Obrázky Helix VLA, který využívá přístup System 1/System 2, je vyškolen pouze na stovkách dálkově ovládaných hodin (rozšířených o simulaci a inteligentní značení), Helix dokáže zvládnout nové úkoly v domácnosti prostřednictvím přirozeného jazyka bez vlastního kódování. Demonstrace toho, jak multimodální modely a syntetické trénování dramaticky snižují potřeby dat. @codecopenflow uplatňuje stejný princip s Octo, otevřeným VLA integrovaným do sady Optr SDK, která umožňuje vnímání více kamer a ovládání pomocí jazyka s mnohem menšími datovými sadami a nižším výpočetním výkonem. ...