„Viele Leute überlegen, was die nächste große Datenquelle sein wird“, sagt Pras Velagapudi, Chief Technology Officer von Agility Robotics, einem Unternehmen, das einen humanoiden Roboter herstellt, der in Lagerhäusern für Kunden wie Amazon arbeitet. Die Antworten auf Velagapudis Frage werden dazu beitragen, zu definieren, worin die Maschinen von morgen herausragende Leistungen erbringen und welche Rollen sie in unserem Zuhause und am Arbeitsplatz einnehmen könnten.
Erstklassige Trainingsdaten
Um zu verstehen, wie Robotiker nach Daten suchen, stellen Sie sich eine Metzgerei vor. Es gibt erstklassige, teure Stücke, die zum Kochen bereit sind. Es gibt die bescheidenen, alltäglichen Grundnahrungsmittel. Und dann sind da noch die Reste und Schnittreste, die im Hintergrund lauern und einen kreativen Koch erfordern, um daraus etwas Leckeres zu machen. Sie sind alle verwendbar, aber nicht alle gleich.
Um einen Eindruck davon zu bekommen, wie erstklassige Daten für Roboter aussehen, werfen Sie einen Blick auf die Methoden des Toyota Research Institute (TRI). In einem weitläufigen Labor in Cambridge, Massachusetts, das mit Roboterarmen, Computern und einer zufälligen Auswahl an Alltagsgegenständen wie Kehrschaufeln und Schneebesen ausgestattet ist, bringen Forscher Robotern durch Teleoperation neue Aufgaben bei und erstellen so sogenannte Demonstrationsdaten. Ein Mensch könnte beispielsweise mit einem Roboterarm an einem Nachmittag 300 Mal einen Pfannkuchen wenden.
Das Modell verarbeitet diese Daten über Nacht, und oft kann der Roboter die Aufgabe am nächsten Morgen selbstständig ausführen, sagt TRI. Da die Demonstrationen viele Iterationen derselben Aufgabe zeigen, erzeugt die Teleoperation umfangreiche, präzise gekennzeichnete Daten, die Robotern dabei helfen, bei neuen Aufgaben gute Leistungen zu erbringen.
Das Problem ist, dass die Erstellung solcher Daten ewig dauert und außerdem durch die Anzahl der teuren Roboter begrenzt ist, die man sich leisten kann. Um hochwertige Trainingsdaten kostengünstiger und effizienter zu erstellen, hat Shuran Song, Leiter des Robotics and Embodied AI Lab an der Stanford University, ein Gerät entwickelt, das sich leichter mit den Händen bedienen lässt und zu einem Bruchteil der Kosten gebaut werden kann. Im Wesentlichen handelt es sich um einen leichten Greifer aus Kunststoff, der Daten sammeln kann, während Sie ihn für alltägliche Aktivitäten wie das Aufschlagen eines Eies oder das Decken des Tisches verwenden. Die Daten können dann verwendet werden, um Robotern beizubringen, diese Aufgaben nachzuahmen. Der Einsatz einfacherer Geräte wie diesem könnte den Datenerfassungsprozess beschleunigen.
Open-Source-Bemühungen
Robotiker haben kürzlich eine andere Methode entdeckt, um mehr Teleoperationsdaten zu erhalten: Sie teilen die gesammelten Daten untereinander und ersparen sich so den mühsamen Prozess, allein Datensätze zu erstellen.
Der im letzten Monat veröffentlichte Distributed Robot Interaction Dataset (DROID) wurde von Forschern an 13 Institutionen erstellt, darunter Unternehmen wie Google DeepMind und Top-Universitäten wie Stanford und Carnegie Mellon. Es enthält 350 Stunden Daten, die von Menschen bei Aufgaben generiert wurden, die vom Schließen eines Waffeleisens bis zum Aufräumen eines Schreibtisches reichen. Da die Daten mit Hardware erfasst wurden, die in der Robotikwelt üblich ist, können Forscher damit KI-Modelle erstellen und diese Modelle dann an bereits vorhandener Ausrüstung testen.
Die Bemühungen bauen auf dem Erfolg der Open X-Embodiment Collaboration auf, einem ähnlichen Projekt von Google DeepMind, das Daten zu 527 Fähigkeiten aggregierte, die von verschiedenen Hardwaretypen gesammelt wurden. Der Datensatz half beim Aufbau des RT-X-Modells von Google DeepMind, das Textanweisungen (z. B. „Bewegen Sie den Apfel links von der Getränkedose“) in physische Bewegungen umwandeln kann.