Cara AperEgo merekam data untuk robot

Pengguna mengenakan perangkat tersebut saat menjalankan sebuah tugas. Headset AperEgo merekam pandangan panorama dari sudut pandang orang pertama, sehingga model AI memperoleh gambaran visual mengenai lingkungan sebagaimana dilihat oleh pengguna.

Sensor-sensornya menyinkronkan masukan visual, gerak, dan audio. Sementara itu, perangkat di pergelangan tangan dan jari merekam detail pergerakan lengan, tangan, serta jari.

Kombinasi ini dirancang untuk menghubungkan persepsi dengan tindakan fisik. Artinya, satu rekaman tidak hanya menunjukkan objek atau situasi di hadapan seseorang, tetapi juga mencatat gerakan dan interaksi tangan yang dilakukan untuk menyelesaikan tugas. Data semacam ini sangat relevan bagi robot yang perlu mempelajari manipulasi objek secara presisi.

Peran AperOS dalam mengolah rekaman

Data multimodal dari AperEgo diteruskan ke AperOS. Platform ini menyaring rekaman yang dianggap tidak valid sebelum data diunggah dan diproses lebih lanjut. Menurut 51World, proses penyaringan tersebut dapat mengurangi kebutuhan penyimpanan dan komputasi, sekaligus menghasilkan dataset yang lebih siap digunakan untuk pengembangan model.

Alur kerja yang ditawarkan 51World meliputi:

1. Merekam: AperEgo menangkap informasi visual, gerak, dan audio dari sudut pandang orang pertama ketika seseorang menjalankan tugas.
2. Menambahkan detail tangan: Perangkat di pergelangan tangan dan jari merekam gerakan saat meraih, menggenggam, dan memanipulasi benda.
3. Menyinkronkan: Berbagai aliran data sensor diselaraskan agar setiap jenis data menggambarkan tindakan yang sama pada waktu yang sama.
4. Menyaring: AperOS menghapus data yang dinilai tidak valid sebelum proses pengunggahan dan pengolahan berikutnya.
5. Menyiapkan data pelatihan: Dataset yang tersisa dapat digunakan untuk mengembangkan model embodied AI dan memperbaiki alur pembelajaran robot.

Klaim peningkatan presisi hingga 99 persen

CEO 51World Li Yi mengatakan integrasi perangkat keras dan perangkat lunak tersebut dapat meningkatkan presisi data hingga 99%. Ia mengaitkan presisi yang lebih tinggi dengan proses pembelajaran robot yang lebih akurat dan efisien, termasuk peningkatan efisiensi dalam pengumpulan data, pemanfaatan data, pelatihan model, dan generalisasi.

Angka tersebut perlu dipahami sebagai klaim 51World, bukan hasil uji pembanding yang telah diverifikasi secara independen. Laporan yang tersedia menjelaskan kemampuan yang dinyatakan perusahaan, tetapi tidak memuat protokol pengujian eksternal, dataset pembanding, atau verifikasi pihak ketiga atas angka 99% tersebut.

Data demonstrasi yang lebih bersih memang berpotensi membantu proses pelatihan. Namun, perilaku akhir robot juga dipengaruhi oleh model AI, perangkat keras, jenis tugas, lingkungan operasional, serta metode evaluasi yang digunakan.

Mengapa lapisan data penting bagi robot humanoid?

Robot humanoid harus mampu mengoordinasikan persepsi dan gerakan di lingkungan fisik yang berubah-ubah. Demonstrasi manusia berkualitas tinggi berpotensi membantu pengembang mengajarkan respons yang lebih andal terhadap objek, ruang, dan tugas yang membutuhkan keterampilan motorik halus. Dengan demikian, pendekatan 51World berfokus pada infrastruktur data di balik embodied AI, bukan pada pembuatan robot humanoid itu sendiri.

Pengembangan ini hadir di tengah dorongan yang lebih luas untuk mengomersialkan robot humanoid di China. TrendForce memperkirakan pasar robot humanoid China akan mencapai 15 miliar yuan (US$2,2 miliar) pada 2026 dan mempertahankan pertumbuhan setidaknya 60% pada 2027, seiring peningkatan produksi dan perluasan penggunaan di sektor otomotif, elektronik, kedirgantaraan, logistik, serta energi.

Proyeksi pasar tersebut tidak membuktikan bahwa AperEgo atau AperOS akan menjadi pendorong pertumbuhan. Namun, angka itu menunjukkan mengapa perangkat untuk mengumpulkan, menyaring, dan menata data dari dunia nyata semakin penting. Ketika robot mulai bergerak dari tahap demonstrasi menuju penggunaan praktis, pengembang membutuhkan jalur data yang mampu menghasilkan contoh pelatihan yang konsisten dan berguna dalam skala besar.

Cara AperEgo merekam data untuk robot

Pengguna mengenakan perangkat tersebut saat menjalankan sebuah tugas. Headset AperEgo merekam pandangan panorama dari sudut pandang orang pertama, sehingga model AI memperoleh gambaran visual mengenai lingkungan sebagaimana dilihat oleh pengguna.

Sensor-sensornya menyinkronkan masukan visual, gerak, dan audio. Sementara itu, perangkat di pergelangan tangan dan jari merekam detail pergerakan lengan, tangan, serta jari.

Kombinasi ini dirancang untuk menghubungkan persepsi dengan tindakan fisik. Artinya, satu rekaman tidak hanya menunjukkan objek atau situasi di hadapan seseorang, tetapi juga mencatat gerakan dan interaksi tangan yang dilakukan untuk menyelesaikan tugas. Data semacam ini sangat relevan bagi robot yang perlu mempelajari manipulasi objek secara presisi.

Peran AperOS dalam mengolah rekaman

Data multimodal dari AperEgo diteruskan ke AperOS. Platform ini menyaring rekaman yang dianggap tidak valid sebelum data diunggah dan diproses lebih lanjut. Menurut 51World, proses penyaringan tersebut dapat mengurangi kebutuhan penyimpanan dan komputasi, sekaligus menghasilkan dataset yang lebih siap digunakan untuk pengembangan model.

Alur kerja yang ditawarkan 51World meliputi:

1. Merekam: AperEgo menangkap informasi visual, gerak, dan audio dari sudut pandang orang pertama ketika seseorang menjalankan tugas.
2. Menambahkan detail tangan: Perangkat di pergelangan tangan dan jari merekam gerakan saat meraih, menggenggam, dan memanipulasi benda.
3. Menyinkronkan: Berbagai aliran data sensor diselaraskan agar setiap jenis data menggambarkan tindakan yang sama pada waktu yang sama.
4. Menyaring: AperOS menghapus data yang dinilai tidak valid sebelum proses pengunggahan dan pengolahan berikutnya.
5. Menyiapkan data pelatihan: Dataset yang tersisa dapat digunakan untuk mengembangkan model embodied AI dan memperbaiki alur pembelajaran robot.

Klaim peningkatan presisi hingga 99 persen

CEO 51World Li Yi mengatakan integrasi perangkat keras dan perangkat lunak tersebut dapat meningkatkan presisi data hingga 99%. Ia mengaitkan presisi yang lebih tinggi dengan proses pembelajaran robot yang lebih akurat dan efisien, termasuk peningkatan efisiensi dalam pengumpulan data, pemanfaatan data, pelatihan model, dan generalisasi.

Angka tersebut perlu dipahami sebagai klaim 51World, bukan hasil uji pembanding yang telah diverifikasi secara independen. Laporan yang tersedia menjelaskan kemampuan yang dinyatakan perusahaan, tetapi tidak memuat protokol pengujian eksternal, dataset pembanding, atau verifikasi pihak ketiga atas angka 99% tersebut.

Data demonstrasi yang lebih bersih memang berpotensi membantu proses pelatihan. Namun, perilaku akhir robot juga dipengaruhi oleh model AI, perangkat keras, jenis tugas, lingkungan operasional, serta metode evaluasi yang digunakan.

Mengapa lapisan data penting bagi robot humanoid?

Robot humanoid harus mampu mengoordinasikan persepsi dan gerakan di lingkungan fisik yang berubah-ubah. Demonstrasi manusia berkualitas tinggi berpotensi membantu pengembang mengajarkan respons yang lebih andal terhadap objek, ruang, dan tugas yang membutuhkan keterampilan motorik halus. Dengan demikian, pendekatan 51World berfokus pada infrastruktur data di balik embodied AI, bukan pada pembuatan robot humanoid itu sendiri.

Pengembangan ini hadir di tengah dorongan yang lebih luas untuk mengomersialkan robot humanoid di China. TrendForce memperkirakan pasar robot humanoid China akan mencapai 15 miliar yuan (US$2,2 miliar) pada 2026 dan mempertahankan pertumbuhan setidaknya 60% pada 2027, seiring peningkatan produksi dan perluasan penggunaan di sektor otomotif, elektronik, kedirgantaraan, logistik, serta energi.

Proyeksi pasar tersebut tidak membuktikan bahwa AperEgo atau AperOS akan menjadi pendorong pertumbuhan. Namun, angka itu menunjukkan mengapa perangkat untuk mengumpulkan, menyaring, dan menata data dari dunia nyata semakin penting. Ketika robot mulai bergerak dari tahap demonstrasi menuju penggunaan praktis, pengembang membutuhkan jalur data yang mampu menghasilkan contoh pelatihan yang konsisten dan berguna dalam skala besar.