從模擬到現(xiàn)實智能

物理人工智能訓(xùn)練設(shè)施，旨在彌合模擬訓(xùn)練的人工智能模型與它們在現(xiàn)實環(huán)境中的表現(xiàn)之間的差距。

雖然在模擬環(huán)境中提供了規(guī)模和速度，但如果沒有固定在現(xiàn)實世界的交互中，人工智能模型往往會有所欠缺。為了克服這一挑戰(zhàn)，需要將模擬與結(jié)構(gòu)化、可重復(fù)的現(xiàn)實世界機器人訓(xùn)練相結(jié)合。

挑戰(zhàn)

盡管模擬能夠進行大規(guī)模訓(xùn)練，但在虛擬環(huán)境中訓(xùn)練的人工智能模型往往難以適應(yīng)現(xiàn)實世界不可預(yù)測的復(fù)雜性，也稱為虛擬現(xiàn)實(S2R)差距。

傳統(tǒng)上，提高模型性能需要收集真實世界的數(shù)據(jù)，這是一個既耗時又昂貴的過程，尤其是在為每個新任務(wù)或機器人平臺重復(fù)時。

為了解決這些限制，該團隊開發(fā)了一個連續(xù)的真實到模擬再到真實的訓(xùn)練循環(huán)，將合成訓(xùn)練與人類遙控操作下的現(xiàn)場機器人演示相結(jié)合。

一種新的訓(xùn)練模式

在這種方法中，人工智能模型首先在合成數(shù)據(jù)上進行訓(xùn)練，然后用從在人類控制下執(zhí)行任務(wù)的物理機器人收集的真實世界軌跡進行精煉。

在遙控操作中，MANUS Metagloves Pro實現(xiàn)了對機器手的毫米級精度和低延遲人工控制。這使得操作員能夠指導(dǎo)機器人完成各種精密任務(wù)，生成高質(zhì)量的真實世界數(shù)據(jù)，從而加強訓(xùn)練過程。

擴展物理人工智能

訓(xùn)練過程中生成的所有數(shù)據(jù)都存儲在一個基于云的集中式技能庫中，允許學(xué)習(xí)的能力在不同的機器人平臺和位置之間共享。

這為物理人工智能創(chuàng)造了一個可擴展的基礎(chǔ)設(shè)施，將模擬和現(xiàn)實世界的學(xué)習(xí)統(tǒng)一到一個迭代的自我改進的循環(huán)中。

通過MANUS Metagloves Pro實現(xiàn)遙操作，不僅縮短了工作流程和開發(fā)周期，還提高了機器人實際應(yīng)用技能的真實性和適應(yīng)性，并加快了從實驗室到現(xiàn)實環(huán)境的精密操作的轉(zhuǎn)移。