Pentingnya SDK berbasis cloud untuk robotika mungkin tidak terdengar mencolok, tetapi sangat penting untuk memajukan sektor ini. Jika Anda berada di kalangan teknologi, Anda akan mendengar tentang platform cloud setiap hari, yang jarang memicu imajinasi. Namun untuk robot dan operator humanoid di dunia fisik, toolkit simulasi cloud adalah kebutuhan inti bagi setiap pengembang yang mencoba menskalakan pelatihan mereka. Simulasi dunia virtual yang akurat adalah salah satu komoditas yang paling dicari dalam robotika saat ini. Para peneliti menjalankan eksperimen tanpa akhir untuk menentukan kombinasi data nyata dan sintetis mana yang menghasilkan hasil yang paling tepat untuk tugas pelatihan Ya, perusahaan seperti Tesla memiliki awal yang besar berkat data jaringan saraf yang mereka kumpulkan dari armada mereka, meskipun data ini hanyalah informasi mentah sampai dipraktikkan melalui simulasi pelatihan yang realistis. Bagi orang lain, memperoleh tingkat data atau bahkan perangkat keras untuk menggerakkannya bukanlah pilihan kecuali Anda adalah perusahaan yang didanai secara besar-besaran. Di sinilah simulasi cloud masuk. Dengan memindahkan pelatihan dan pengujian robot ke lingkungan virtual berbasis cloud, siapa pun dapat mengakses komputasi dan skala yang diperlukan. Platform cloud dapat memusatkan berbagi simulasi, hasil, dan data tersebut. Anda pada dasarnya mengabstraksi akses pintu tertutup yang dapat diakses oleh perusahaan miliaran dolar ini, komponen perangkat keras ekstensif yang digunakan di laboratorium dan membawa kumpulan data ke cahaya publik di mana kontribusi open source menjadi +EV keseluruhan untuk inovasi. Model bisnis ini sudah membuktikan dirinya dengan LeRobot (inisiatif open source) Hugging Face yang bermitra dengan Nvidia untuk menghubungkan kerangka kerja mereka sehingga peneliti dapat berbagi model, kumpulan data, dan lingkungan simulasi di cloud. Tujuan akhirnya adalah untuk membuat roda gila data, karena orang menyumbangkan data simulasi dan kebijakan terlatih untuk membuka reposito, itu mempercepat kemajuan orang lain, pada gilirannya menghasilkan data yang lebih dapat diakses secara global. Banyak pekerjaan yang disalurkan ke dalam hal ini dengan menutup celah "sim ke nyata". Simulator sering kali gagal dengan kenyataan, robot akan mempelajari perilaku di dunia virtual yang tidak ditransfer ke dunia nyata, karena fisika atau visualnya tidak cukup akurat. Kesenjangan itu sekarang menutup dengan cepat karena kesetiaan simulasi yang lebih baik dan pendekatan pelatihan hibrida. Sebagian besar model fondasi terbaru dalam robotika (seperti Isaac GROOT NVIDIA dan Helix VLA dari Figure) menggunakan arsitektur sistem ganda yang meniru kognisi manusia. Hal yang sama berlaku untuk cara mereka melatih data di sim dunia. Satu bagian dari model dilatih pada data demonstrasi manusia dari dunia nyata, sementara bagian lain dilatih pada sejumlah besar data sintetis yang dihasilkan melalui simulator fidelitas tinggi. Dengan menggabungkan pelatihan fisik dan simulasi, model mempelajari keterampilan akurat yang menggeneralisasi dengan lebih baik. Data nyata memberikan kebenaran dalam AI, sedangkan data simulasi memberikan skala dan variasi yang tidak praktis untuk dikumpulkan di dunia fisik. Pengembang bahkan dapat menyempurnakan atau memposting model pelatihan dengan data nyata atau sintetis tambahan untuk tugas-tugas tertentu, membuat saluran pelatihan menjadi sangat fleksibel. Gambar Helix VLA yang menggunakan pendekatan Sistem 1/Sistem 2 dilatih hanya pada ratusan jam yang dioperasikan secara teleoperasional (ditambah dengan simulasi dan pelabelan cerdas), Helix dapat menangani tugas-tugas rumah tangga baru melalui bahasa alami tanpa pengkodean khusus. Mendemonstrasikan bagaimana model multimoda dan pelatihan sintetis memangkas kebutuhan data secara dramatis. @codecopenflow menerapkan prinsip yang sama dengan Octo, VLA terbuka yang terintegrasi ke dalam Optr SDK-nya, memungkinkan persepsi multi kamera dan kontrol terpandu bahasa dengan kumpulan data yang jauh lebih kecil dan komputasi yang lebih rendah. ...