Näin AperEgo tallentaa robotin koulutusaineistoa

Ihminen pukee laitteet ylleen ja suorittaa jonkin tehtävän. Kuulokkeen kamerat tallentavat panoraamamaisen näkymän käyttäjän ensimmäisen persoonan perspektiivistä – toisin sanoen sen, mitä ihminen näkee omasta asemastaan.

Järjestelmän sensorit synkronoivat näkö-, liike- ja äänitiedot. Ranne- ja sormilaitteet täydentävät kokonaisuutta tallentamalla yksityiskohtaisempaa tietoa käsivarsien, käsien ja sormien liikkeistä.

Tavoitteena on yhdistää havainto ja fyysinen toiminta samaan tallenteeseen. Aineistoon ei siis päädy ainoastaan tehtävän ympäristö, vaan myös se, miten ihminen liikuttaa kättään, tarttuu esineeseen ja käsittelee sitä. Tämä on erityisen tärkeää, kun robotille opetetaan tarkkuutta vaativia käsittelytehtäviä.

Mitä AperOS tekee datalle?

AperOS vastaanottaa AperEgolla kerätyn monimuotoisen datan ja seuloo siitä pois virheelliseksi katsotut tallenteet ennen niiden lataamista ja jatkokäsittelyä. 51Worldin mukaan suodatus vähentää tarvittavan tallennustilan ja laskentatehon määrää sekä jättää jäljelle käyttökelpoisemman aineiston mallien kehittämistä varten.

Yhtiön kuvaama työnkulku etenee näin:

1. Tallennus: AperEgo kerää tehtävää suorittavan ihmisen näkö-, liike- ja äänidataa ensimmäisen persoonan näkökulmasta.
2. Käsien liikkeiden tarkennus: Ranne- ja sormilaitteet tallentavat kurottamiseen, tarttumiseen ja esineiden käsittelyyn liittyviä liikkeitä.
3. Synkronointi: Eri sensorien tuottamat tietovirrat kohdistetaan niin, että ne kuvaavat samaa tapahtumaa eri modaliteeteissa.
4. Suodatus: AperOS poistaa yhtiön määritelmän mukaan virheellisen datan ennen lataamista ja myöhempää käsittelyä.
5. Valmistelu koulutusta varten: Jäljelle jäävää aineistoa voidaan käyttää fyysisen tekoälyn mallien ja robottien oppimisprosessien kehittämiseen.

Yhtiö lupaa 99 prosentin tarkkuutta – mutta tulosta ei ole riippumattomasti vahvistettu

Toimitusjohtaja Li Yin mukaan laitteiston ja ohjelmiston yhdistelmä voi nostaa datan tarkkuuden 99 prosenttiin. Hänen mukaansa suurempi tarkkuus tehostaa ja parantaa robottien oppimista. Yhtiö liittää hyödyt datan keräämiseen, hyödyntämiseen, mallien kouluttamiseen ja niiden yleistämiseen uusiin tilanteisiin.

Lukua on kuitenkin syytä pitää 51Worldin omana väitteenä, ei riippumattomasti todennettuna vertailutuloksena. Saatavilla olevissa tiedoissa ei esitetä ulkopuolista testimenetelmää, vertailuaineistoa tai riippumatonta vahvistusta 99 prosentin tulokselle.

Puhtaammat ja paremmin synkronoidut demonstraatiot voivat helpottaa mallien kouluttamista, mutta robotin lopulliseen käyttäytymiseen vaikuttavat myös itse malli ja robotti, opetettava tehtävä, toimintaympäristö sekä tapa, jolla suorituskykyä mitataan.

Miksi datakerros on humanoidiroboteille tärkeä?

Humanoidirobottien on koordinoitava havaintoja ja liikettä muuttuvissa fyysisissä ympäristöissä. Laadukkaat ihmisten demonstraatiot voivat auttaa opettamaan niille luotettavampaa toimintaa esineiden, tilojen ja hienomotoriikkaa vaativien tehtävien parissa.

51World ei siis tässä esittele uutta humanoidirobottia, vaan rakentaa sen taustalla tarvittavaa dataketjua. Käytännössä yhtiö pyrkii ratkaisemaan kysymyksen siitä, miten ihmisen toiminnasta saadaan tarpeeksi tarkkaa, toistettavaa ja laajassa mittakaavassa hyödynnettävää opetusdataa.

Kehitys osuu aikaan, jolloin Kiinan humanoidirobottiala hakee kaupallista mittakaavaa. TrendForce arvioi Kiinan humanoidirobottimarkkinoiden arvon nousevan 15 miljardiin juaniin eli noin 2,2 miljardiin dollariin vuonna 2026. Vuodelle 2027 tutkimusyhtiö ennustaa vähintään 60 prosentin kasvua, kun tuotanto laajenee ja käyttökohteet lisääntyvät muun muassa autoalalla, elektroniikassa, ilmailu- ja avaruusalalla, logistiikassa sekä energiasektorilla.

Markkinaennuste ei itsessään tarkoita, että AperEgo tai AperOS vauhdittaisivat kasvua. Se kertoo kuitenkin, miksi fyysisen maailman datan keräämisestä, suodattamisesta ja järjestämisestä on tulossa strategisesti tärkeää. Kun robotteja siirretään prototyypeistä kohti käytännön käyttöönottoa, myös niiden kouluttamiseen tarvitaan tuotantolinjan tavoin toimivia dataratkaisuja.

Näin AperEgo tallentaa robotin koulutusaineistoa

Ihminen pukee laitteet ylleen ja suorittaa jonkin tehtävän. Kuulokkeen kamerat tallentavat panoraamamaisen näkymän käyttäjän ensimmäisen persoonan perspektiivistä – toisin sanoen sen, mitä ihminen näkee omasta asemastaan.

Järjestelmän sensorit synkronoivat näkö-, liike- ja äänitiedot. Ranne- ja sormilaitteet täydentävät kokonaisuutta tallentamalla yksityiskohtaisempaa tietoa käsivarsien, käsien ja sormien liikkeistä.

Tavoitteena on yhdistää havainto ja fyysinen toiminta samaan tallenteeseen. Aineistoon ei siis päädy ainoastaan tehtävän ympäristö, vaan myös se, miten ihminen liikuttaa kättään, tarttuu esineeseen ja käsittelee sitä. Tämä on erityisen tärkeää, kun robotille opetetaan tarkkuutta vaativia käsittelytehtäviä.

Mitä AperOS tekee datalle?

AperOS vastaanottaa AperEgolla kerätyn monimuotoisen datan ja seuloo siitä pois virheelliseksi katsotut tallenteet ennen niiden lataamista ja jatkokäsittelyä. 51Worldin mukaan suodatus vähentää tarvittavan tallennustilan ja laskentatehon määrää sekä jättää jäljelle käyttökelpoisemman aineiston mallien kehittämistä varten.

Yhtiön kuvaama työnkulku etenee näin:

1. Tallennus: AperEgo kerää tehtävää suorittavan ihmisen näkö-, liike- ja äänidataa ensimmäisen persoonan näkökulmasta.
2. Käsien liikkeiden tarkennus: Ranne- ja sormilaitteet tallentavat kurottamiseen, tarttumiseen ja esineiden käsittelyyn liittyviä liikkeitä.
3. Synkronointi: Eri sensorien tuottamat tietovirrat kohdistetaan niin, että ne kuvaavat samaa tapahtumaa eri modaliteeteissa.
4. Suodatus: AperOS poistaa yhtiön määritelmän mukaan virheellisen datan ennen lataamista ja myöhempää käsittelyä.
5. Valmistelu koulutusta varten: Jäljelle jäävää aineistoa voidaan käyttää fyysisen tekoälyn mallien ja robottien oppimisprosessien kehittämiseen.

Yhtiö lupaa 99 prosentin tarkkuutta – mutta tulosta ei ole riippumattomasti vahvistettu

Toimitusjohtaja Li Yin mukaan laitteiston ja ohjelmiston yhdistelmä voi nostaa datan tarkkuuden 99 prosenttiin. Hänen mukaansa suurempi tarkkuus tehostaa ja parantaa robottien oppimista. Yhtiö liittää hyödyt datan keräämiseen, hyödyntämiseen, mallien kouluttamiseen ja niiden yleistämiseen uusiin tilanteisiin.

Lukua on kuitenkin syytä pitää 51Worldin omana väitteenä, ei riippumattomasti todennettuna vertailutuloksena. Saatavilla olevissa tiedoissa ei esitetä ulkopuolista testimenetelmää, vertailuaineistoa tai riippumatonta vahvistusta 99 prosentin tulokselle.

Puhtaammat ja paremmin synkronoidut demonstraatiot voivat helpottaa mallien kouluttamista, mutta robotin lopulliseen käyttäytymiseen vaikuttavat myös itse malli ja robotti, opetettava tehtävä, toimintaympäristö sekä tapa, jolla suorituskykyä mitataan.

Miksi datakerros on humanoidiroboteille tärkeä?

Humanoidirobottien on koordinoitava havaintoja ja liikettä muuttuvissa fyysisissä ympäristöissä. Laadukkaat ihmisten demonstraatiot voivat auttaa opettamaan niille luotettavampaa toimintaa esineiden, tilojen ja hienomotoriikkaa vaativien tehtävien parissa.

51World ei siis tässä esittele uutta humanoidirobottia, vaan rakentaa sen taustalla tarvittavaa dataketjua. Käytännössä yhtiö pyrkii ratkaisemaan kysymyksen siitä, miten ihmisen toiminnasta saadaan tarpeeksi tarkkaa, toistettavaa ja laajassa mittakaavassa hyödynnettävää opetusdataa.

Kehitys osuu aikaan, jolloin Kiinan humanoidirobottiala hakee kaupallista mittakaavaa. TrendForce arvioi Kiinan humanoidirobottimarkkinoiden arvon nousevan 15 miljardiin juaniin eli noin 2,2 miljardiin dollariin vuonna 2026. Vuodelle 2027 tutkimusyhtiö ennustaa vähintään 60 prosentin kasvua, kun tuotanto laajenee ja käyttökohteet lisääntyvät muun muassa autoalalla, elektroniikassa, ilmailu- ja avaruusalalla, logistiikassa sekä energiasektorilla.

Markkinaennuste ei itsessään tarkoita, että AperEgo tai AperOS vauhdittaisivat kasvua. Se kertoo kuitenkin, miksi fyysisen maailman datan keräämisestä, suodattamisesta ja järjestämisestä on tulossa strategisesti tärkeää. Kun robotteja siirretään prototyypeistä kohti käytännön käyttöönottoa, myös niiden kouluttamiseen tarvitaan tuotantolinjan tavoin toimivia dataratkaisuja.