Pilvipohjaisen SDK:n merkitys robotiikassa ei ehkä kuulosta räikeältä, mutta se on ehdottoman tärkeää alan edistämiseksi. Jos olet teknologiapiireissä, kuulet päivittäin pilvialustoista, jotka harvoin herättävät mielikuvitusta. Humanoidiroboteille ja fyysisen maailman operaattoreille pilvisimulaatiotyökalupakki on kuitenkin keskeinen välttämättömyys jokaiselle kehittäjälle, joka yrittää skaalata koulutustaan. Tarkat virtuaalimaailman simulaatiot ovat yksi robotiikan halutuimmista hyödykkeistä tällä hetkellä. Tutkijat suorittavat loputtomasti kokeita selvittääkseen, mitkä todellisen ja synteettisen datan yhdistelmät tuottavat tarkimmat tulokset harjoitustehtävissä Kyllä, Teslan kaltaisilla yrityksillä on valtava etumatka kalustoistaan keräämiensä neuroverkkotietojen ansiosta, vaikka nämä tiedot ovat vain raakatietoa, kunnes ne otetaan käyttöön realististen koulutussimulaatioiden avulla. Kaikille muille tämän tason datan tai edes laitteiston hankkiminen sen virransyöttöön ei vain ole vaihtoehto, ellet ole massiivisesti rahoitettu yritys. Tässä kohtaa pilvisimulaatio astuu kuvaan. Siirtämällä robottien koulutuksen ja testauksen pilvipohjaisiin virtuaaliympäristöihin kuka tahansa voi käyttää tarvittavaa laskentaa ja skaalausta. Pilvialusta voi keskittää näiden simulaatioiden, tulosten ja tietojen jakamisen. Käytännössä abstraktit pois suljetut ovet, joihin näillä miljardin dollarin yrityksillä on pääsy, laboratorioissa käytetyt laajat laitteistokomponentit ja tuot tietoaineistot julkisuuteen, jossa avoimen lähdekoodin panoksesta tulee yleinen +EV innovaatioille. Tämä liiketoimintamalli on jo osoittanut toimivuutensa, kun Hugging Facen LeRobot (avoimen lähdekoodin aloite) tekee yhteistyötä Nvidian kanssa yhdistääkseen kehyksensä, jotta tutkijat voivat jakaa malleja, tietojoukkoja ja simulaatioympäristöjä pilvessä. Lopullisena tavoitteena on luoda datan vauhtipyörä, kun ihmiset tuovat simulaatiodataa ja koulutettuja käytäntöjä arkistojen avaamiseen, se nopeuttaa muiden edistymistä ja tuottaa puolestaan maailmanlaajuisesti saatavilla olevaa dataa. Tähän kanavoidaan paljon työtä kuromalla umpeen "sim to real" -kuilua. Simulaattorit eivät usein vastanneet todellisuutta, robotit oppivat virtuaalimaailmassa käyttäytymistä, joka ei siirtynyt todelliseen maailmaan, koska fysiikka tai visuaalinen ilme ei ollut tarpeeksi tarkka. Tämä ero on nyt kaventumassa nopeasti paremman simulaatiotarkkuuden ja hybridikoulutusmenetelmien ansiosta. Suurin osa robotiikan uusimmista perusmalleista (kuten NVIDIAn Isaac GROOT ja Figuren Helix VLA) käyttävät kaksoisjärjestelmäarkkitehtuuria, joka jäljittelee ihmisen kognitiota. Sama pätee siihen, miten he kouluttavat dataa maailman simulaatioissa. Yksi osa mallista on koulutettu todellisen maailman ihmisen esittelydatalla, kun taas toinen osa on koulutettu valtavaan määrään synteettistä dataa, joka on tuotettu korkealaatuisten simulaattoreiden avulla. Yhdistämällä fyysistä ja simuloitua harjoittelua malli oppii tarkkoja taitoja, jotka yleistyvät paremmin. Todellinen data tarjoaa totuuden tekoälyssä, kun taas simuloitu data tarjoaa mittakaavaa ja vaihtelua, jota on epäkäytännöllistä kerätä fyysisessä maailmassa. Kehittäjät voivat jopa hienosäätää tai lähettää harjoitusmalleja todellisilla tai synteettisillä lisätiedoilla tiettyjä tehtäviä varten, mikä tekee koulutusputkesta erittäin joustavan. Kuvat Helix VLA, joka käyttää System 1/System 2 -lähestymistapaa, on koulutettu vain sadoilla etäkäyttöisillä tunneilla (täydennettynä simulaatiolla ja älykkäillä merkinnöillä), Helix pystyy käsittelemään uusia kotitöitä luonnollisella kielellä ilman mukautettua koodausta. Osoittaa, kuinka multimodaaliset mallit ja synteettinen koulutus vähentävät datatarpeita dramaattisesti. @codecopenflow soveltaa samaa periaatetta Octoon, Optr SDK:hen integroituun avoimeen VLA:han, joka mahdollistaa usean kameran havainnoinnin ja kieliohjatun ohjauksen paljon pienemmillä tietojoukoilla ja pienemmällä laskennalla. ...