Roboter sind noch nicht in der Fabrik, Daten müssen zuerst in die Produktionslinie

Bericht von CoinWorld:

Roboter das "Hochheben eines Bechers" beizubringen, klingt nach einem einfachen Befehl, ist jedoch ein langwieriger Prozess voller Herausforderungen.

Zunächst muss eine Person mit einem Erfassungsgerät eine Demonstration durchführen. Eine Kamera nimmt die Perspektive aus der ersten Person auf, während das Gerät die Handbewegungen, die Position und Haltung des Greifarms aufzeichnet. Nach der Videoaufnahme müssen Verzerrungen durch Fischaugenobjektive korrigiert, die Positionen wiederhergestellt und die Aktionen in Segmente unterteilt werden, wobei jedem Segment ein maschinenlesbares Label zugewiesen wird. Wenn bei einem dieser Schritte ein Fehler auftritt, war die gesamte Demonstration umsonst.

Große Sprachmodelle haben zumindest das Internet als Quelle zur Verfügung. Roboter hingegen nicht. Wie man eine Tür öffnet, ein Handtuch faltet oder eine weiche Verpackung greift, muss jede Bewegung zuerst in der physischen Welt stattfinden.

Qingche Intelligent hat kürzlich eine Cloud-basierte Datenverarbeitungsproduktionslinie für Roboter in Zusammenarbeit mit Alibaba Cloud eingerichtet, um die Kalibrierung, Rekonstruktion, Segmentierung, Annotation und das Training der gesammelten Daten zu verknüpfen. Nachrichten sind vielleicht nicht so aufregend wie ein Roboter, der einen Salto macht, aber sie sind näher an den Engpässen dieses Geschäfts.

Ein oder zwei Forscher können Dutzende von Minuten Videomaterial mit Skripten und Ordnern bearbeiten. Wenn die Daten auf mehrere hundert Stunden anwachsen, wird es kompliziert: Soll man nach einem fehlgeschlagenen Auftrag die gesamte Charge neu berechnen? Wie oft wurde dieselbe Datei bearbeitet? Welche Version der Daten wurde welchem Modell zugeführt? Wenn die Trainingsergebnisse schlecht sind, kann man dann eine bestimmte Art von Erfassungsaktion zurückverfolgen?

Diese Fragen klingen nach dem Alltag einer IT-Abteilung, aber Unternehmen für embodied intelligence kommen nicht darum herum. Roboter-Daten stammen aus der realen Welt, und wenn sie falsch erfasst werden, kann man die Webseite nicht einfach neu laden; sie sind auch eng mit der Hardware verbunden. Wenn man einen neuen Roboterarm, eine neue Kamera oder sogar einen neuen Greifer verwendet, können die ursprünglich reibungslosen Bewegungen fehlschlagen.

Die Cloud-basierte Produktionslinie kann eine Reihe von verstreuten Aufgaben in einen statusbasierten Prozess umwandeln. Sie zieht Ressourcen hoch, wenn GPUs benötigt werden, und gibt sie nach der Verarbeitung wieder frei; wenn ein Schritt fehlschlägt, wird von dem Punkt aus weitergearbeitet; Daten, Hardwareparameter und Verarbeitungsversionen werden in derselben Aufzeichnung gespeichert. Sie kann schlechte Daten nicht verbessern, aber sie ermöglicht es den Ingenieuren zu erkennen, wo das Problem liegt.

Nehmen wir die Kalibrierung der Kamera als Beispiel: Wenn dieselbe Charge von Videos falsche Parameter verwendet hat, werden die nachfolgenden Positionswiederherstellungen und Aktionssegmentierungen kontaminiert. Die traditionelle Methode könnte erst nach einem gescheiterten Modelltraining zur Überprüfung zurückkehren; mit einer vollständigen Produktionslinie kann das System zumindest feststellen, welches Gerät, welche Erfassung und welche Parameter betroffen waren, und nur die betroffenen Teile erneut ausführen. Für Teams, die täglich große Mengen an Daten hinzufügen, ist diese Rückverfolgbarkeit wichtiger als ein paar Minuten schnellere Verarbeitung.

Die Daten benötigen auch eine Art "Qualitätskontrolle". Menschliche Demonstrationen sind nicht von Natur aus korrekt: Bewegungen können zögerlich sein, wichtige Schritte können vom Körper verdeckt werden, und die mündliche Beschreibung derselben Aufgabe kann inkonsistent sein. Vollautomatische Annotationen können die Geschwindigkeit erhöhen, aber sie können Fehler in größerem Maßstab reproduzieren. Eine realistischere Methode besteht darin, dass Maschinen den Großteil der regulären Proben verarbeiten und dann die Proben mit niedrigerer Zuversicht, abnormale Trajektorien und gescheiterte Fälle zur Überprüfung an Menschen weitergeben.

Die Ergebnisse der Qualitätskontrolle müssen auch die Erfassung leiten. Wenn unter bestimmten Lichtverhältnissen immer nichts zu erkennen ist, sollte man diese Lichtverhältnisse nachdrehen; wenn ein bestimmter Greifwinkel häufig fehlschlägt, sollte der Bediener speziell darauf eingehen. Die Erfassung wird nicht mehr ziellos in der Zeit angesammelt, sondern konzentriert sich auf die Schwächen des Modells.

In den letzten zwei Jahren hat die Robotikbranche gerne berichtet, wie viele Stunden an echten Daten gesammelt wurden. Diese Zahl wird zunehmend wie die Modellparameter der frühen Jahre erscheinen: groß, aber nicht unbedingt aussagekräftig.

Zehntausend Stunden wiederholtes Kistenheben sind möglicherweise nicht nützlicher als hundert Stunden sorgfältige Abdeckung von Fehlergrenzen. Die erfolgreichste Demonstration kann schnell erlernt werden, aber die Herausforderung besteht darin, was zu tun ist, wenn der Becher rutscht, die Tüte zusammenfällt oder das Licht sich ändert. Wenn man die vor Ort gescheiterten Versuche zurück ins Trainingssystem bringen und neue Strategien an den Roboter zurückgeben kann, beginnt die Datenbildung einen geschlossenen Kreislauf.

Dieser geschlossene Kreislauf könnte das sein, was Unternehmen für embodied intelligence am schwersten zu reproduzieren haben. Demonstrationsvideos können erlernt, Roboterarme gekauft und Basis-Modelle sogar Open Source gemacht werden. Die vor Ort gesammelten Anomalien, Kalibrierungsprotokolle, gescheiterte Proben und Deployment-Erfahrungen werden jedoch nicht automatisch mit einem Artikel verbreitet.

Qingches öffentliche Toolchain reicht von der Datenerfassung bis hin zu Modelltraining und -bereitstellung und zeigt, dass das Unternehmen nicht nur auf einen "universellen Robotergeist" setzt. Es möchte auch Schaufeln verkaufen: Damit die Roboter anderer Unternehmen auch in diesem Tool Daten erfassen, Modelle trainieren und bereitstellen können.

Ob dieses "Schaufelverkaufs"-Geschäftsmodell funktioniert, hängt davon ab, ob die Kunden bereit sind, ihre Kerndaten auf derselben Plattform zu teilen. Große Unternehmen könnten darauf bestehen, selbst zu bauen, aus Angst, dass Produktionsstandorte und Prozessabläufe durchgesickert werden; kleinere Robotikunternehmen haben es jedoch schwer, ein eigenes Datenengineering-Team zu unterhalten. Die Plattform muss eine Wahl zwischen Effizienz und Kontrolle bieten, wie z.B. private Bereitstellung, Berechtigungsisolierung und klare Grenzen, dass Daten nur für bestimmte Modelle verwendet werden.

Die Risiken sind ebenfalls real. Videos und Sensordaten, die in die Cloud hochgeladen werden, können auf Datenschutz- und Datensicherheitsprobleme in der Fabrik stoßen; die Rechenleistung, die für großflächige Rekonstruktionen benötigt wird, ist nicht billig; wie viel Daten zwischen verschiedenen Hardware-Systemen wiederverwendet werden können, ist derzeit ebenfalls noch nicht standardisiert.

Aber eines ist bereits schwer zu ignorieren: Wenn Roboter in Fabriken und Haushalte einziehen sollen, kann der Hintergrund nicht weiterhin darauf angewiesen sein, dass Ingenieure Dateien manuell verschieben.

Wenn Sie das nächste Mal sehen, dass ein Unternehmen "wie viele Stunden Daten gesammelt wurden" ankündigt, fragen Sie ruhig dreimal nach: Wie lange dauert es, um eine Fähigkeit online zu bringen, wie schnell können gescheiterte Proben zurückgebracht werden, und wie viel kann nach dem Austausch einer Maschine noch verwendet werden? Das sind die Dinge, die diese Produktionslinie täglich wirklich produziert.

Dieser Inhalt wird nur zu allgemeinen Informationszwecken bereitgestellt und stellt keine finanzielle, Anlage-, Rechts- oder Steuerberatung dar. Alle erwähnten Ereignisse, Prämien, Online-Aktionen oder zugehörige Informationen sollten nicht als Empfehlung, Aufforderung oder Einladung zum Kauf, Verkauf, Handel oder anderweitigem Umgang mit Krypto-Assets betrachtet werden. Krypto-Assets sind sehr volatil und können zu Verlusten führen. Die Verfügbarkeit von WEEX Services, Produkten und zugehörigen Aktionen kann je nach Region unterschiedlich sein. Sie sind dafür verantwortlich sicherzustellen, dass Ihre Teilnahme mit geltenden lokalen Gesetzen und Vorschriften übereinstimmt.