Sådan indsamler AperEgo data til robottræning

En person bærer udstyret, mens vedkommende udfører en opgave. Headsettet optager et panoramisk førstepersonsperspektiv, så en AI-model får en visuel registrering af omgivelserne set fra brugerens synsvinkel.

Sensorerne synkroniserer visuelle input, bevægelsesdata og lyd, mens enhederne på håndled og fingre tilføjer mere detaljerede oplysninger om arm-, hånd- og fingerbevægelser.

Tanken er at koble det, robotten opfatter, sammen med den fysiske handling. En optagelse kan derfor vise både scenen foran personen og de bevægelser og håndinteraktioner, der indgår i at løse opgaven. Det er især relevant, når robotter skal lære præcise opgaver, der kræver fingerfærdighed.

Hvad gør AperOS med optagelserne?

AperOS modtager de multimodale data fra AperEgo og sorterer ugyldige optagelser fra, før de uploades og behandles yderligere. 51World oplyser, at filtreringen kan reducere behovet for lagerplads og computerkraft og samtidig efterlade et mere anvendeligt datasæt til udvikling af AI-modeller.

Arbejdsgangen kan opsummeres sådan:

1. Optagelse: AperEgo registrerer visuelle data, bevægelsesdata og lyd fra førstepersonsperspektiv, mens en person udfører en opgave.
2. Detaljer om hænderne: Udstyr til håndled og fingre registrerer bevægelser i forbindelse med at række ud, gribe og håndtere genstande.
3. Synkronisering: De forskellige datastrømme justeres, så de beskriver den samme handling på tværs af sensorerne.
4. Filtrering: AperOS fjerner data, som selskabet vurderer er ugyldige, før upload og videre behandling.
5. Forberedelse til træning: Det resterende datasæt kan bruges til at udvikle modeller til embodied AI og forbedre arbejdsgange for robottræning.

Hvilke forbedringer hævder 51World?

51Worlds administrerende direktør, Li Yi, siger, at den integrerede hardware- og softwareløsning kan øge datapræcisionen til 99 procent. Ifølge ham kan den højere præcision føre til mere nøjagtig og effektiv robotindlæring med forbedringer inden for dataindsamling, dataudnyttelse, modeltræning og generalisering.

Tallene bør dog læses som 51Worlds egne påstande og ikke som uafhængigt validerede benchmarkresultater. Den tilgængelige rapportering beskriver selskabets angivne funktioner, men indeholder ikke en ekstern testmetode, et sammenligningsdatasæt eller en uafhængig verifikation af tallet på 99 procent.

Det er en vigtig forskel. Renere demonstrationer kan gøre træningen bedre, men en robots endelige adfærd afhænger også af modellen, hardwaren, opgaven, omgivelserne og den metode, der bruges til at evaluere resultatet.

Hvorfor er datalaget vigtigt for humanoide robotter?

Humanoide robotter skal kunne koordinere synsindtryk og bevægelser i fysiske miljøer, der hele tiden ændrer sig. Data fra menneskers handlinger kan potentielt hjælpe udviklere med at lære robotter mere pålidelige reaktioner på genstande, rum og opgaver, der kræver finmotorik.

51World forsøger dermed ikke primært at bygge selve den humanoide robot, men at udvikle datainfrastrukturen bag embodied AI.

Lanceringen kommer samtidig med et bredere kinesisk fremstød for at gøre humanoid robotteknologi kommercielt anvendelig. Analysefirmaet TrendForce vurderer, at Kinas marked for humanoide robotter vil nå 15 milliarder yuan (2,2 milliarder dollar) i 2026 og fortsætte med en vækst på mindst 60 procent i 2027, efterhånden som produktionen skaleres op, og anvendelserne breder sig til blandt andet bilindustrien, elektronik, luft- og rumfart, logistik og energi.

Markedsprognosen dokumenterer ikke, at AperEgo eller AperOS vil være drivkraften bag denne vækst. Den viser dog, hvorfor værktøjer til at indsamle, filtrere og organisere data fra den fysiske verden bliver strategisk vigtigere. Når flere robotter skal gå fra demonstrationer til praktisk brug, får udviklerne brug for datapipelines, der kan levere ensartede og anvendelige eksempler i stor skala.

Sådan indsamler AperEgo data til robottræning

En person bærer udstyret, mens vedkommende udfører en opgave. Headsettet optager et panoramisk førstepersonsperspektiv, så en AI-model får en visuel registrering af omgivelserne set fra brugerens synsvinkel.

Sensorerne synkroniserer visuelle input, bevægelsesdata og lyd, mens enhederne på håndled og fingre tilføjer mere detaljerede oplysninger om arm-, hånd- og fingerbevægelser.

Tanken er at koble det, robotten opfatter, sammen med den fysiske handling. En optagelse kan derfor vise både scenen foran personen og de bevægelser og håndinteraktioner, der indgår i at løse opgaven. Det er især relevant, når robotter skal lære præcise opgaver, der kræver fingerfærdighed.

Hvad gør AperOS med optagelserne?

AperOS modtager de multimodale data fra AperEgo og sorterer ugyldige optagelser fra, før de uploades og behandles yderligere. 51World oplyser, at filtreringen kan reducere behovet for lagerplads og computerkraft og samtidig efterlade et mere anvendeligt datasæt til udvikling af AI-modeller.

Arbejdsgangen kan opsummeres sådan:

1. Optagelse: AperEgo registrerer visuelle data, bevægelsesdata og lyd fra førstepersonsperspektiv, mens en person udfører en opgave.
2. Detaljer om hænderne: Udstyr til håndled og fingre registrerer bevægelser i forbindelse med at række ud, gribe og håndtere genstande.
3. Synkronisering: De forskellige datastrømme justeres, så de beskriver den samme handling på tværs af sensorerne.
4. Filtrering: AperOS fjerner data, som selskabet vurderer er ugyldige, før upload og videre behandling.
5. Forberedelse til træning: Det resterende datasæt kan bruges til at udvikle modeller til embodied AI og forbedre arbejdsgange for robottræning.

Hvilke forbedringer hævder 51World?

51Worlds administrerende direktør, Li Yi, siger, at den integrerede hardware- og softwareløsning kan øge datapræcisionen til 99 procent. Ifølge ham kan den højere præcision føre til mere nøjagtig og effektiv robotindlæring med forbedringer inden for dataindsamling, dataudnyttelse, modeltræning og generalisering.

Tallene bør dog læses som 51Worlds egne påstande og ikke som uafhængigt validerede benchmarkresultater. Den tilgængelige rapportering beskriver selskabets angivne funktioner, men indeholder ikke en ekstern testmetode, et sammenligningsdatasæt eller en uafhængig verifikation af tallet på 99 procent.

Det er en vigtig forskel. Renere demonstrationer kan gøre træningen bedre, men en robots endelige adfærd afhænger også af modellen, hardwaren, opgaven, omgivelserne og den metode, der bruges til at evaluere resultatet.

Hvorfor er datalaget vigtigt for humanoide robotter?

Humanoide robotter skal kunne koordinere synsindtryk og bevægelser i fysiske miljøer, der hele tiden ændrer sig. Data fra menneskers handlinger kan potentielt hjælpe udviklere med at lære robotter mere pålidelige reaktioner på genstande, rum og opgaver, der kræver finmotorik.

51World forsøger dermed ikke primært at bygge selve den humanoide robot, men at udvikle datainfrastrukturen bag embodied AI.

Lanceringen kommer samtidig med et bredere kinesisk fremstød for at gøre humanoid robotteknologi kommercielt anvendelig. Analysefirmaet TrendForce vurderer, at Kinas marked for humanoide robotter vil nå 15 milliarder yuan (2,2 milliarder dollar) i 2026 og fortsætte med en vækst på mindst 60 procent i 2027, efterhånden som produktionen skaleres op, og anvendelserne breder sig til blandt andet bilindustrien, elektronik, luft- og rumfart, logistik og energi.

Markedsprognosen dokumenterer ikke, at AperEgo eller AperOS vil være drivkraften bag denne vækst. Den viser dog, hvorfor værktøjer til at indsamle, filtrere og organisere data fra den fysiske verden bliver strategisk vigtigere. Når flere robotter skal gå fra demonstrationer til praktisk brug, får udviklerne brug for datapipelines, der kan levere ensartede og anvendelige eksempler i stor skala.