Encord testaa aivoaaltoja ja lihassignaaleja robotiikan harvinaisen harjoitusdatan tuottamiseksi

Encordin robotiikkaoppimisesta vastaava johtaja Vineeth Velmurugan kuvaa tätä robotiikan datapulan "teräväksi kärjeksi" . Kokeilu on kuitenkin parhaillaan aktiivisessa arvioinnissa: Encord suunnittelee rakentavan alustavan tietoaineiston, ajavansa sen läpi asiakkaiden robottimallien, arvioivansa parantaako se suorituskykyä, ja vasta sitten päättävänsä mittakaavan laajentamisesta .

Lihassignaalitunnistimet (EMG)

Encord testaa samanaikaisesti kyynärvarteen kiinnitettäviä antureita, jotka havaitsevat lihasten sähköisiä signaaleja. Tavallinen käden video peittää usein sormien tarkat asennot, joten yritys pyrkii rekonstruoimaan 3D-käden asennon näistä EMG-signaaleista antaen malleille rikkaamman käsityksen näppärästä käsittelystä .

Teleoperaatiodata

Encord operoi San Leandron T&K-tiloissaan seuraaja-robottikäsiä. Ihmisoperaattori ohjaa suoraan toista kättä, kun toinen käsivarsi jäljittelee liikettä tuottaen korkealaatuista dataa tehtävistä kuten kahvin kaataminen, pokerimerkkien pinoaminen, ethernet-kaapeleiden kytkeminen ja irrottaminen sekä taloustavaroiden käsittely . Encordin mukaan jokainen ihmismäinen robottiyritys on pyytänyt näitä tehtäväkohtaisia tietoaineistoja .

Egosentrinen (ensimmäisen henkilön) video

Pilotit käyttävät päässä pidettäviä kameroita, jotka tallentavat mitä he näkevät, täydennettynä useiden tehtaiden ympäri maailmaa kerätyllä datalla. Tämä tarjoaa skaalautuvan lähteen reaalimaailman havainnointidatalle .

Kenttä- ja laboratoriopohjainen keruu

Encord lähettää tyypillisesti omia kenttäoperaattoreitaan ja operoi muunneltavia laboratorioympäristöjä kerätäkseen kappaleisiin liittyvää dataa, kuten LiDARia, pistepilviä ja synkronoituja monimuotoisia anturivirtoja . Keruumenetelmät on suunniteltu asiakkaan harjoitusputkilinjan ehdoilla niin, että jokainen jakso on luokiteltu, synkronoitu ja kohdistettu tavoitemalliin . Yritys tallentaa myös vikatiloja käyttöönottopalautesilmukan kautta: kun malli epäonnistuu kentällä, epäonnistuminen tallennetaan etäteleoperaation avulla ja syötetään takaisin tiedonkeruukäytäntöihin .

Keskeiset tekniset haasteet

Hermodatan arvon todistaminen

Zander Labsin lähestymistapa päättelee mielentiloja aivotoiminnasta karkealla tasolla — esimerkiksi mittaamalla kuinka paljon kognitiivista ponnistelua pilotti käyttää — sen sijaan että se purkaisi tiettyjä ajatuksia . Kokeilun on vahvistettava, parantaako tämä signaali todella robottimallien suorituskykyä verrattuna pelkkään video- ja teleoperaatiodataan. Jos parannus on marginaalinen, EEG:n lisäämisen kustannuksia jokaiseen tiedonkeruusessioon ei voida perustella.

Monimuotoinen synkronointi ja annotointi

Fyysinen tekoäly vaatii useita antureita, kuten videota, syvyyttä, LiDARia, ääntä, IMU:ta ja nyt EEG/EMG:ä, joiden on oltava tarkasti aikaan kohdistettuja ja annotoituja yhdessä. Encord on rakentanut tuen natiivimuodoille (MCAP, ROSBAG) ja sensorifuusiolle, mutta 2D-, 3D- ja biosignaalivirtojen synkronoinnin hallinta on edelleen vaikea insinööriongelma .

Datan monipuolisuus ja vikatilanteiden tallennus

Mallit tarvitsevat altistusta erilaisille ympäristöille, valaistukselle, operaattoreille ja vikatilanteille. Encord sisällyttää käyttöönottopalautesilmukan, mutta vikatietoa pidetään yleisesti aliarvostettuna mutta olennaisena vankalle fyysiselle tekoälylle . Ilman tarpeeksi reunatapauksia jopa rikkaimmalla datalla koulutetut mallit yleistyvät huonosti.

Keskeiset taloudelliset haasteet

Fyysisen datan äärimmäinen kustannus

Toisin kuin kielimalleja jotka koulutetaan internetistä kaavituilla teksteillä, fyysinen tekoäly tarvitsee omaa, reaalimaailman dataa, joka tuotetaan kalliilla laitteilla, ihmisoperaattoreilla ja hallituissa ympäristöissä. Encordin malli edustaa tietoista siirtymää kohti kalliimpaa, erikoistuneempaa datan valmistusta — se skaalautuu vähemmän halvalla kuin verkkokaapinta .

Pääomavaatimukset

Encord on kerännyt yhteensä 110 miljoonaa dollaria, mukaan lukien 60 miljoonan dollarin Series C -kierros helmikuussa 2026, jota johti Wellington Management . Yrityksen on käytettävä runsaasti rahaa tiloihin (Bay Arean T&K-laboratorio), robottilaitteistoon, koulutettuihin "pilotteihin" ja data-annotointi-infrastruktuuriin — kaikki ennen kuin useimmilla asiakkailla on tuotantorobotteja käytössä.

Simulaatiokuilu

Simulaatiolla voidaan tuottaa suuria synteettisiä tietoaineistoja halvalla, mutta se ei systemaattisesti onnistu vangitsemaan reaalimaailman fysiikkaa, reunatapauksia ja hienojakoista manipulointia. Encord ja muut lyövät vetoa, että vain oikea ihmisdemontraationa kerätty data — kustannuksineen ja epäjärjestyksineen — kykenee ylittämään simulaation ja todellisuuden välisen kuilun, joka tarvitaan yleiskäyttöiseen robotiikkaan .

Markkinoiden ajoitusriski

Encord ennustaa, että yli 400 miljoonaa älykästä robottia otetaan käyttöön seuraavan neljän vuoden aikana, mikä nostaa fyysisen tekoälyn teollisuuden yli 30 miljardin dollarin vuosittaiseksi . Jos käyttöönotto on odotettua hitaampaa, kalliin räätälöidyn harjoitusdatan kysyntä ei välttämättä toteudu tarpeeksi nopeasti kattamaan nykyistä infra-investointia..

Yhteenveto

Encord on edelläkävijä kokeellisessa biosignaalien talteenotossa (aivoaallot ja lihasanturit) yhdessä teleoperaation, egosentrisen videon ja laboratoriopohjaisen fyysisen datankeruun kanssa vastatakseen teollisuuden reaalimaailman harjoitusdatapulaan. Lähestymistapa on vielä osoittamaton mittakaavassa: aivoaaltokokeilu on aktiivisessa arvioinnissa, ja keskeinen taloudellinen kompromissi on, että fyysinen data on paljon kalliimpaa tuottaa kuin verkkomittakaavan tekstidata. Menestys riippuu siitä, parantavatko nämä rikkaammat datamuodot robottimallien suorituskykyä ja kasvaako fyysisen tekoälyn markkina tarpeeksi nopeasti oikeuttaakseen ennakkoinvestoinnin.