Последна актуализация: април 23, 2026

Събиране на данни за внедрен изкуствен интелект: Телеоперация, симулация в реалност и индустриални набори от данни през 2026 г.

Данните са пречката за въплътения ИИ, а не изчисленията. Обучението на роботизирана политика изисква синхронизирани потоци от действия и състояния, които просто не съществуват в интернет мащаб. Три източника в момента задоволяват това търсене. Човешката телеоперация води до висококачествени демонстрации за сметка на времето на оператора. Прехвърлянето от симулация към реалност мащабира броя на епизодите, но въвежда разлика във точността. Големите отворени набори от данни обединяват приноси от десетки лаборатории и платформи.

Защо данните са пречката във въплътения изкуствен интелект

Изчисленията следват предвидима крива на мащабиране. GPU клъстери, способни да обучават модели с визуално-езично-действие (VLA) с милиарди параметри, са търговски достъпни днес. Това, което не се е мащабирало, са данните, от които се нуждаят тези модели: сдвоени наблюдения и действия, записани по време на физическа манипулация на роботи, с достатъчно разнообразие от задачи и варианти на изпълнение, за да се създадат обобщаващи политики.

Езиков модел може да поеме трилион токени от мрежата за седмици. Наборът от данни за манипулация на роботи трябва да се генерира епизод по епизод, като всеки от тях изисква физически робот, реална или симулирана среда, дефиниране на задача и или човешки оператор, или демонстрация по сценарий. Международната федерация по роботика (IFR) изчислява, че през 2024 г. в световен мащаб са работили над 3.9 милиона промишлени робота, но най-големите отворени набори от данни за манипулация съдържат от порядъка на един милион епизода. Разликата не се намалява бързо.

Предизвикателството се усложнява, когато се вземе предвид разликата във въплъщенията: политика, обучена на манипулатор с едно рамо с 6 степени на свобода, не се прехвърля безпроблемно към бимануален хуманоид или мобилна база с рамо. Всеки нов форм-фактор на робота ефективно нулира изискванията за данни. Подходите за разделяне на действия (при които политиката извежда многостъпкови последователности от действия, а не единични стъпки) намаляват латентността на извода, но не намаляват необходимостта от разнообразно покритие на обучението.

Според публикацията на Open X-Embodiment (Padalkar et al., 2023, Google DeepMind et al.), обучението с кръстосано внедряване върху разнообразни данни за роботи може да подобри обобщението на политиките отвъд това, което предоставят наборите от данни с единично внедряване. EVST разглежда това, като оценява качеството на наборите от данни с кръстосано внедряване като част от вътрешния си процес на оценка, когато избира планиране на движение, допълнено с изкуствен интелект, за своята гама роботи с пълен обхват от 3 до 800 кг. За хардуерната страна на тази стратегия за данни вижте EVST Вградени ИИ решения, включително хуманоидни роботи, сръчни ръце за събиране на данни, четириноги роботи и пилотни платформи за разработване на въплътен изкуствен интелект.

Трите основни източника на данни: силни страни и ограничения

Телеоперация

Телеоперацията заснема демонстрации с експертно качество на хардуера на целевия робот. Операторът управлява робота дистанционно, чрез рамена тип „лидер-следвач“, VR очила, екзоскелетни костюми или преносими интерфейси, докато системата записва синхронно всеки ъгъл на ставата, състояние на захващащото устройство, отчитане на сила и кадър от камерата. Тъй като данните идват от човек, изпълняващ действителната задача на реалния робот, съответствието между действие и състояние е точно и разликата във варианта на изпълнение е нулева.

Ограничението е пропускателната способност. Квалифицираните телеоператори произвеждат приблизително 5–50 епизода на час в зависимост от сложността на задачата, а качеството на данните се влошава, когато операторите се уморят. Телеоперацията също така не може да се мащабира до възстановяване след срив без съзнателно проектиране на протоколи: ако операторите винаги успяват, политиката никога не се научава да се възстановява от смущения.

Трансфер от симулатор към реалност

Физичните симулатори (MuJoCo, NVIDIA Isaac Sim, Isaac Lab, PyBullet) позволяват на изследователите да генерират милиони епизоди на роботи с почти нулеви пределни разходи. Един единствен GPU клъстер може да изпълнява хиляди паралелни симулационни екземпляри за една нощ. Цената се проявява при внедряването: политиките, обучени в симулация, често се провалят, когато се сблъскат с динамика на контакт в реалния свят, шум от сензори и визуални вариации, които симулаторът не е възпроизвел точно. Запълването на тази разлика между симулацията и реалността е активна област на изследване.

Интернет видео и пасивно наблюдение

Големи модели на визуален език, предварително обучени върху интернет видео, осигуряват общо разбиране на сцената, което помага за определяне на задачата. Архитектурата pi0 на Physical Intelligence и подобни VLA дизайни използват предварително видео обучение за усъвършенстване на уменията за манипулация преди фина настройка върху демонстрации на роботи. Ограничението е, че видеото не предоставя етикети за действия: видеото показва ръка, хващаща обект, но не записва приложената сила или ъглите на ставите на еквивалентно роботно рамо. Моделите с обратна динамика могат частично да заключат действия от видеото, но получените псевдоетикети носят шум.

Хардуер и протоколи за телеоперации

Изборът на интерфейс за телеоперация оформя както качеството на данните, така и пропускателната способност за събиране на данни. По-долу са изброени системите, които са най-активни в изследователските и търговските програми за 2025–2026 г.

Ръце „Лидер-Последовател“: ALOHA и мобилна ALOHA

ALOHA (Нискобюджетна хардуерна система с отворен код за бимануална телеоперация) е разработена в Станфорд и използва две евтини водещи рамена, които операторът движи ръчно, докато две съответстващи следващи рамена на робота възпроизвеждат движението в реално време. Бимануалният дизайн улавя задачи с две ръце, които системите с една ръка не могат. Мобилната ALOHA разширява платформата върху мобилна база. ALOHA 2, пусната през 2024 г., подобри прецизността на проследяване на ставите и ергономичността на оператора. Цената на хардуера е под 20 000 долара за двойката лидер-следвач, което доведе до приемането ѝ в десетки академични лаборатории.

Интерфейси за монтаж на китка: UMI

Универсалният манипулационен интерфейс (UMI) на Станфорд и Колумбийския университет монтира камера тип „рибешко око“ и енкодер върху ръчен захващач. Операторът физически демонстрира задачата в околната среда, докато захващачът записва позата на крайния ефектор и състоянието на захващане. UMI отделя събирането на данни от робота: демонстрации могат да се провеждат на място и по-късно да се пренасочват към различни варианти на роботи. Това го прави особено полезен за събиране на данни за манипулация в реални условия извън лабораторна обстановка.

VR и дисплеи за глава

Apple Vision Pro и Meta Quest 3 се проучват като интерфейси за телеоперация. Привлекателното е бимануалното проследяване на ръцете с шест степени на свобода и интуитивно управление от оператора. Инженерното предизвикателство е пренасочването: кинематиката на човешката ръка (пет пръста, 27 стави) трябва да се съпоставя с командите на крайния ефектор на робота (обикновено захващащи устройства с 1 степен на свобода или сръчни ръце с 12–16 степени на свобода). Без внимателно пренасочване, записаните демонстрации съдържат намерението на оператора, но не и директно изпълними действия на робота.

Екзоскелет и заснемане на цялото тяло

За хуманоидни роботи, които се нуждаят от данни за движението на цялото тяло (включително придвижване, комбинирано с манипулация), екзоскелетните костюми улавят кинематика на цялото тяло при честота на дискретизация над 100 Hz. AgiBot използва подход, базиран на екзоскелет, за събиране на данни за манипулация на хуманоиди за своя набор от данни AgiBot World. Телеоперацията на Fourier GR-1 по подобен начин разчита на носимо устройство за заснемане, съобразено с конфигурацията на ставите на робота.

Фигура и големи търговски флоти

Figure AI управлява собствена флотилия от телеоптични роботове в производствените си мощности на BMW. Моделът на маховик с данни, при който всеки внедрен робот събира нови епизоди, които се използват за обучение, също е от основно значение за стратегията за развитие на Tesla Optimus. Тези затворени системи натрупват индустриални данни със скорост, с която отворените академични набори от данни не могат да се сравнят.

Сравнение на платформите за телеоперации

Забележка: Данните за производителността са приблизителни диапазони, извлечени от публикувани изследвания и отчети на изследователи. Умения на индивидуалния оператор и сложността на задачата влияят значително на резултатите.

Публични набори от данни: Open X-Embodiment, DROID, BridgeData, RoboSet, RH20T, AgiBot World

Екосистемата от отворени набори от данни се разшири бързо от 2022 г. насам. По-долу е даден преглед на най-цитираните колекции към началото на 2026 г.

Отворено X-въплъщение (OXE) и RT-X

Събран от Google DeepMind с 33 участващи институции, OXE обобщава над 1 милион епизода в повече от 22 типа роботи. Свързаните RT-X модели демонстрираха, че обучението върху обединени данни от кръстосани изпълнения превъзхожда базовите нива за единични изпълнения по отношение на обобщаващите бенчмаркове. OXE се разпространява под комбинация от лицензи CC-BY и Apache 2.0, в зависимост от участващата институция. Достъпът е чрез уебсайта на RT-X и HuggingFace.

DROID

DROID (Разпределен набор от данни за взаимодействие с роботи) е събран в 13 северноамерикански изследователски лаборатории, използвайки стандартизирана настройка Franka Panda с интерфейс за телеоперация в стил ALOHA. Той съдържа приблизително 76 000 епизода на разнообразни домакински и настолни манипулационни задачи. Стандартизираният хардуер в различните обекти прави DROID един от най-чистите широкомащабни манипулационни набори от данни за клониране на поведение и RLHF експерименти.

BridgeData V2

BridgeData V2, разработен от Калифорнийския университет в Бъркли и Станфорд, съдържа приблизително 60 000 демонстрации в широк спектър от задачи за манипулиране на настолни компютри. Използва WidowX ръка и се отличава с разнообразието си от задачи (над 70 различни категории задачи), което го прави често срещана базова линия за фина настройка на VLA модели. Публикуван под CC-BY 4.0.

РобоСет

RoboSet, от IIT Delhi и сътрудници, предоставя данни за многозадачни кухненски манипулации, събрани с Franka Panda. Те включват RGB-D наблюдения и езикови анотации за всеки епизод. RoboSet е проектиран специално да поддържа езиково обусловена оценка на политики, което го прави полезен за тестване на обобщения, следващи инструкции.

RH20T

RH20T (Robot-Human 20 Tasks) е мащабен набор от данни за манипулация, богат на контакти, включващ синхронизирана роботна проприоцепция, RGB видео, дълбочинни, тактилни и аудио потоци. Мултимодалното богатство прави RH20T отправна точка за изследователи, работещи върху политики, които изискват контактно наблюдение, а не само визуално.

Светът на АгиБот

AgiBot World е набор от данни за манипулация на хуманоиди, създаден от AgiBot, китайска компания за роботика, използваща техния процес на събиране на данни, базиран на екзоскелет. Той се фокусира върху задачи за манипулация на хуманоиди в цялото тяло и представлява един от първите мащабни набори от данни, специално насочени към форм-фактори на хуманоиди в индустриален мащаб. AgiBot World е достъпен под отворен лиценз за изследвания за некомерсиална употреба.

Справочник за публичен внедрен AI набор от данни

Броят на епизодите и лицензионните условия са взети от документи с данни и официални хранилища към началото на 2026 г. Проверете актуалните условия преди употреба.

Sim-to-Real Stack: Isaac Sim, MuJoCo, Cosmos и рандомизация на домейни

Симулацията мащабира генерирането на данни. Практическият въпрос е кой симулатор да се използва и как да се преодолее разликата между тях и физическия хардуер.

MuJoCo

MuJoCo (Multi-Joint dynamics with Contact - многосъединна динамика с контакт) остава стандартът за изследвания на манипулации, богати на контакт. Неговият физичен енджин обработва динамиката на твърди тела, меките контакти и системи, задействани от сухожилия, с изчислителна ефективност, която позволява хиляди паралелни епизоди на обучение на един GPU клъстер. Пускането на пазара с отворен код под Google DeepMind през 2022 г. значително ускори приемането. Повечето академични клонирания на поведение и RLHF бенчмаркове използват MuJoCo среди.

NVIDIA Исак Сим и Исак Лаб

Isaac Sim работи на платформата Omniverse на NVIDIA и предоставя GPU-ускорена физика с висококачествено рендиране. Isaac Lab (преди OmniIsaacGymEnvs) е рамката за обучение с подсилване, изградена върху Isaac Sim, оптимизирана за масово паралелно обучение на политики. Ключово предимство е фотореалистичното рендиране: визуализациите с трасиране на пътя на Isaac Sim намаляват разликата във визуалната област в сравнение с опростените рендери на MuJoCo, което е важно за обучението на политики, базирани на визуализация.

NVIDIA Космос

Cosmos е платформата за моделиране на световната основа на NVIDIA, обявена в края на 2024 г. Вместо да симулира физика от първите принципи, Cosmos генерира фотореалистично видео на взаимодействията на роботи и обекти от текстови или графични подкани, обучени върху големи видео набори от данни. Целта е да се генерират синтетични данни за обучение, които изглеждат достатъчно реалистични, за да се преодолее визуалната разлика между симулацията и реалността, без ръчно създавана рандомизация на домейни. Към началото на 2026 г. Cosmos се проучва от няколко лаборатории за обучение на роботи като слой за допълване на данни, в допълнение към реални демонстрации.

Гаусово разпръскване и реконструкция на сцената

3D Gaussian Splatting реконструира фотореалистични сцени от малък набор от RGB изображения за минути, а не за часове. За обучение на роботи това означава, че лабораторията може да сканира нова работна среда, да реконструира Gaussian сцена и да генерира нови гледни точки или конфигурации на обекти за допълване на данни, без изобщо да е необходим физически симулатор. Този подход се интегрира в няколко конвейера за симулация към реалност като нискобюджетен инструмент за рандомизация на визуални домейни.

Рандомизация на домейни и идентификация на системата

Рандомизацията на домейни рандомизира параметрите на симулацията (текстури на обекти, условия на осветление, коефициенти на триене, твърдост на ставите на робота) по време на обучение, принуждавайки политиката да бъде устойчива на вариации, вместо да се приспособява към една единствена симулирана конфигурация. Идентификацията на системата използва допълващ подход: тя измерва прецизно физическите параметри на реалния робот (маса, инерция, податливост на ставите) и използва тези стойности в симулацията, за да минимизира разликата преди рандомизацията.

Ученето по учебна програма прилага рандомизацията прогресивно. Политиката първо се обучава в тясна, чиста симулация, след което постепенно се сблъсква с повече вариации с подобряването на производителността. Този поетапен подход често води до по-бърза конвергенция от прилагането на пълна рандомизация от самото начало.

Компромиси между качество и количество на данните

Повече данни не означава автоматично по-добри резултати. Съставът на набора от данни определя какво може и какво не може да прави обучената политика.

Разнообразието от задачи е по-важно от броя на епизодите, когато целта е универсална политика. Набор от 100 000 епизода от една и съща задача от типа „избери и постави“ създава специалист. Набор от 10 000 епизода, разпределени в 50 типа задачи, може да създаде политика, която се пренася към нови задачи след няколко фина настройка.

Разнообразието от варианти на изпълнение е важно за трансфера между роботи. Стойността на OXE е именно в това, че обхваща типове ръце, мобилни платформи и сръчни ръце. Политика, предварително обучена върху OXE и прецизирана върху нов робот, обикновено се представя по-добре от такава, обучена от нулата само върху данните на същия нов робот, резултат, който е последователен в множество публикувани проучвания.

Продължителността на епизодите и възстановяването след неуспех са подценени. Наборите от данни, събрани от квалифицирани телеоператори, които рядко се провалят, създават политики, които не знаят как да се възстановяват от смущения. Умишленото инжектиране на състояния на неуспех и демонстрациите на възстановяване значително подобряват устойчивостта в реалния свят. Някои лаборатории използват състезателни смущения по време на телеоперационни сесии, за да генерират тези данни.

Според наблюдения в индустрията от множество доклади на лаборатории за обучение на роботи през 2024–2025 г., пределната стойност на допълнителните епизоди намалява рязко, след като наборът от данни обхваща задача при приблизително 500–1,000 демонстрации, докато пределната стойност на новите типове задачи остава висока до хиляди отделни задачи. EVST взема това предвид при структурирането на клетките за събиране на пилотни данни, като дава приоритет на обхвата на задачите пред натрупването на повтарящи се епизоди.

Съображения за данни от индустриален клас

Събирането на фабрични данни налага изисквания, които академичните телеоперационни системи обикновено не отговарят на изискванията.

Детерминистичното регистриране е първото изискване. В производствена клетка, времевият печат върху показанието на съединителен енкодер трябва да може да се проследи до референтен сигнал на стенен часовник с точност до под милисекунда. EtherCAT 1 kHz fieldbus управление, стандартно за индустриалните роботи (включително тези от линията на EVST), осигурява детерминистична времева основа, която прави синхронизацията с множество сензори постижима. Система, работеща на 1 kHz, генерира 1,000 семпла от състоянията на съединителите в секунда на ос; подравняването на този поток с кадри от камерата при 30–60 кадъра в секунда и данни за сила-въртящ момент при 500 Hz изисква дисциплинирана хардуерна архитектура за времеви печати, а не софтуерно буфериране.

Етикетите за безопасност са необходими, когато епизодите включват събития, близки до пропуск, активиране на аварийно спиране или нарушения на ограниченията на силата. Тези етикети са необходими както за съответствие, така и за политики за обучение, които разбират състоянията, свързани с безопасността. Индустриалните контролери, които регистрират причините за аварийно спиране и превишаванията на въртящия момент на съединенията на хардуерно ниво, правят това етикетиране лесно за проследяване.

Анотацията на времето на цикъла свързва епизодите на робота с производствените резултати. Знанието, че епизод 4,712 е завършил задачата за сглобяване за 8.3 секунди с нулеви флагове за качество, свързва данните за обучение на робота с MES системата и позволява избор на висококачествени демонстрации за обучение.

Метаданните, свързани с MES, са мостът. Когато системата за регистриране на данни на робот записва файлове с епизоди, прикачени към MES идентификатори на задачи, типове части и качествени резултати, полученият набор от данни може да бъде филтриран програмно. Епизодите, свързани с преработка, брак или пренебрегване от страна на оператора, могат да бъдат изключени или третирани като демонстрации на повреди.

На практика, при преоборудване на пилотна клетка за събиране на данни, най-често срещаният проблем не е възможността за регистриране на данни от робота, а мрежовата архитектура на клетката. Индустриалните ethernet сегменти, проектирани за комуникация между PLC и робот при скорости под kHz, не винаги са оразмерени за честотната лента на непрекъснатите многокамерни видео потоци плюс проприоцепционни потоци. Клетка, работеща с две 1080p камери при 30 кадъра в секунда плюс шестосни данни за силата плюс състояния на ставите, генерира приблизително 150–300 MB в минута сурови данни за епизодите. Планирането на инфраструктурата за съхранение и мрежа преди внедряването избягва разходите за преоборудване по-късно.

Етикетиране на тръбопроводи и инструменти

Суровите записи на епизоди не са готови за обучение. Те се нуждаят от езикови анотации, маски за сегментиране на обекти и в някои случаи етикети за награди.

Езикова анотация

Езиково обусловените VLA модели се нуждаят от описание на задачата на всеки епизод на естествен език. За малки набори от данни това се прави ръчно; за набори от данни над 10 000 епизода е необходимо автоматично анотиране с помощта на модели на визуален език (GPT-4V, Gemini или специализирани модели за субтитри). Контролът на качеството изисква човешки преглед на извадката, за да се открият систематични грешки в автоматичния анотатор.

Сегментиране и проследяване на обекти

Политиките, които разсъждават за състоянието на обектите, се възползват от маски за сегментиране на епизод, идентифициращи манипулираните обекти. Моделът Segment Anything Model (SAM 2) от Meta прави интерактивната сегментация достъпна в мащаб на набор от данни, намалявайки времето за анотиране от часове на минути на епизод, когато се комбинира с проследяващ проход за разпространение.

Оформяне на награди за RLHF

Когато епизодите включват демонстрации както на успех, така и на неуспех, етикетирането на наградите позволява фина настройка на обучението с подсилване от човешка обратна връзка (RLHF). Човешките анотатори класират резултатите от епизодите и тези предпочитания обучават модел на награди, който оформя актуализациите на политиките. Този конвейер се използва в разработката на pi0 на Physical Intelligence и се проучва за обучение на индустриални задачи, където двоичните етикети за успех/неуспех вече са налични от MES.

Поверителност, интелектуална собственост и лицензиране на набори от данни

Приносът към отворени набори от данни повдига въпроси, свързани с интелектуалната собственост, които индустриалните производители на оригинално оборудване (OEM) трябва да разрешат, преди да участват.

Основните категории лицензи, които се използват, са CC-BY (изисква се посочване на авторството, разрешена е търговска употреба), CC-BY-NC (само за некомерсиални цели) и Apache 2.0 (разрешително, включително търговска употреба и преразпределение на теглото на модела). Собствените набори от данни (Tesla Optimus, данни за автопарка на Figure, Boston Dynamics) не се споделят външно.

За производителите на оригинално оборудване (OEM) проблемът с интелектуалната собственост е свързан с излагането на процеса: епизод, показващ специфична конфигурация за джигиране, траектория на инструмента или дизайн на приспособлението, може да разкрие патентовани методи на производство. Стандартното смекчаване е да се премахне визуалният контекст до нивото на крайния ефектор, да се предоставят само потоци от съвместни траектории (без данни от камерата) или да се използват синтетични рендери на траекторията на манипулация на общ фон. Няколко нововъзникващи консорциумни модела предлагат правни рамки за анонимизиран принос на индустриални данни съгласно споразумения за взаимно неразкриване, комбинирани с лицензи за данни на Apache 2.0.

Според анализ на Stanford CRFM и сътрудници в проучването за обучение на роботи от 2024 г., собствените силози за данни представляват най-голямата структурна бариера за въплътения напредък на ИИ отвъд настоящите показатели. Индустриалните производители на оригинално оборудване (OEM), които разработват вътрешни рамки за управление на данните, сега ще бъдат позиционирани да участват в консорциуми за набори от данни, тъй като тези програми се формализират през следващите 18-24 месеца.

Как производителите на оригинално оборудване (OEM) могат да предоставят данни

Доставчиците на индустриална автоматизация (включително FANUC, ABB, KUKA и сертифицирани интегратори „до ключ“ като EVST) се намират на пресечната точка на роботизирания хардуер и реалните производствени среди. Тази позиция ги прави естествени участници в екосистемата от данни, въплътени в изкуствен интелект, ако е налице оперативна и правна рамка.

Пилотни клетки с телеоперационно наслагване

Най-достъпната входна точка е пилотна клетка, където производственият робот е снабден с телеоперационно наслагване: рамо тип „лидер-последовател“, което операторът използва, за да демонстрира вариации на производствената задача. Тези демонстрации се събират в малък обем (50–500 епизода) и са достатъчни за фина настройка на предварително обучен VLA модел към конкретната производствена задача. Подходът на пилотната клетка не изисква промени в сертификата за безопасност на производствената клетка, тъй като системата за телеоперация работи като входно устройство към контролера на робота, а не като паралелен път за управление.

Модернизация на регистрационните системи на производствени роботи

Съществуващите производствени роботи могат да бъдат оборудвани с леки модули за регистриране, които записват състоянието на ставата, позицията на крайния ефектор и силата на захващането със скорости на EtherCAT, записвайки файлове с епизоди с времеви отпечатък на edge сървър по време на производствените цикли. Това не изисква промяна в управляващата програма на робота. Регистрираните данни улавят реалното поведение при манипулация в производството, което е по-представително за задачата от лабораторните демонстрации. Индустриалните контролери на EVST, работещи с времеви цикли от 1 kHz EtherCAT и сертифицирани по стандартите CE/SGS/TUV, осигуряват детерминистична архитектура на времето, от която зависи този подход за регистриране. Данните могат да бъдат почистени, анонимизирани и форматирани за стандартни рамки за обучение на роботи без скъпа работа по реинтеграция.

Участие в програмата за анонимизирани набори от данни

Нововъзникващите програми за набори от данни на OEM (включително отворената програма за принос на AgiBot World и няколко дискусии в консорциуми на ICRA 2025) приемат анонимизирани данни за промишлена манипулация. OEM производителите със сертификат IATF16949, като EVST, имат съществуващи процеси за управление на качеството, които се отразяват добре на изискванията за целостта на метаданните, посочени в тези програми: проследими времеви марки, документирани протоколи за събиране и валидирани записи за калибриране на сензори.

Глобално покритие на терен като предимство на данните

Производител на оригинално оборудване (OEM) с полеви инженери в над 100 държави може да събира данни за обучение с изкуствен интелект от наистина разнообразни производствени среди (различни геометрии на детайлите, условия на околната среда, демографски данни на операторите и вариации в процесите). Това географско разнообразие е ценно, защото политиките, обучени върху него, се обобщават по-добре от тези, обучени върху данни от една лаборатория или съоръжение. Сертифицираните за експлозивна защита роботи на EVST и пълната гама от 3–800 кг означават, че събирането на данни може да се разшири до среди като химическа обработка, работа с опасни материали и производство при екстремни температури, които повечето академични набори от данни изобщо не покриват.

Ключови данни за индустрията

Според доклада „Световна роботика 2024“ на Международната федерация по роботика (IFR), над 3.9 милиона промишлени робота са били в експлоатация в световен мащаб през 2023 г., но най-големите отворени набори от данни за манипулиране на роботи съдържат по-малко от 2 милиона епизода общо, което илюстрира разликата в мащаба между внедрения хардуер и наличните данни за обучение. EVST се справя с това, като проучва архитектури за регистриране на модернизация, които превръщат производствените роботи в пасивни активи за събиране на данни.

Според публикацията на Open X-Embodiment (Padalkar et al., Google DeepMind et al., 2023), модели, обучени върху данни от кръстосани изпълнения от над 22 типа роботи, показват измеримо по-добра генерализация върху задачи, изискващи отлагане, отколкото модели, обучени върху данни само от едно изпълнение. EVST се справя с това, като структурира вътрешната си рамка за оценка на данни, за да претегли разнообразието на изпълненията, наред с броя на епизодите, когато оценява полезността на набора от данни за своите оценки за фина настройка на производствената линия.

Според наблюдения в индустрията от множество лаборатории за обучение на роботи през 2024–2025 г., разликата между визуалната симулация и реалността е причина за по-голямата част от случаите на неуспех на политиките при задачи за манипулация, които включват огледални или прозрачни обекти, които стандартните техники за рандомизация на домейни не покриват надеждно. EVST се справя с това, като наблюдава фотореалистични инструменти за симулация (по-специално NVIDIA Cosmos и Gaussian Splatting pipelines) като кандидат-слоеве за допълване в своята пътна карта за планиране на движение, подобрено с изкуствен интелект.

Свързани ръководства

• Въплътени модели на изкуствен интелект и VLA в индустриалната роботика: Какво трябва да знаят фабричните инженериОбхваща архитектурата на моделите „визуално-езично-действие“ и ограниченията за тяхното внедряване върху производствен хардуер.
• Хуманоидни роботи в промишленото производство 2026Разглежда кои задачи са наистина податливи на хуманоидни платформи в сравнение с конвенционалните индустриални оръжия.
• Хуманоидни роботи срещу индустриални роботизирани ръце за фабрична употреба през 2026 г.Директно сравнение на възможностите, цената и сложността на интеграция между двата форм-фактора.
• Пълно ръководство за коботи: Видове, избор и приложения през 2026 г.Основният ориентир за избор на съвместен робот, съобразен с изискванията за полезен товар, приложение и среда.

Често задавани въпроси

Защо събирането на данни за въплътен изкуствен интелект е по-трудно от събирането на данни за езикови модели?

Езиковите модели се обучават върху текст, който вече съществува в интернет в огромен мащаб. Въплътените роботи с изкуствен интелект трябва да събират сдвоени с действия сензомоторни данни: синхронизирани ъгли на ставите, сили на захващане, кадри от камерата и контекст на задачата, всички записани по време на физическа манипулация. Тези данни не съществуват в уеб мащаб и е скъпо да се генерират. Всеки телеопериран епизод обикновено отнема 1–10 минути време на квалифициран оператор, за да се създаде една траектория на обучение, а качеството се влошава, ако операторът не е запознат с динамиката на робота.

Каква е разликата между трансфер от симулатор към реалност и рандомизация на домейни в обучението на роботи?

Трансферът от симулация към реалност е общата цел: обучение на политика в симулация и нейното внедряване върху физически робот без спад в производителността. Рандомизацията на домейни е една от техниките за постигане на тази цел. Тя променя произволно параметрите на симулацията - осветление, текстури, коефициенти на триене, маси на обектите - по време на обучението, така че политиката се научава да се справя с вариациите в реалния свят, вместо да се приспособява към един единствен симулиран външен вид. Други методи включват адаптация на домейни, фотореалистично рендиране (както в NVIDIA Cosmos) и системна идентификация.

Какво е Open X-Embodiment и колко вида роботи обхваща?

Open X-Embodiment е мащабен набор от данни за отворено обучение на роботи, събран от Google DeepMind с 33 изследователски институции. Той обобщава над 1 милион епизода на роботи в повече от 22 варианта на изпълнение – манипулатори с една ръка, бимануални платформи, мобилни бази и сръчни ръце. RT-X моделите, обучени на OXE, демонстрираха, че обучението с кръстосано изпълнение подобрява генерализацията на политиките в сравнение с базовите линии с единично изпълнение.

Как може OEM производител на фабрики да допринесе с данни за роботи за обучение с изкуствен интелект, без да разкрива собствена интелектуална собственост на процеса?

Най-практичният подход е анонимизиран принос на епизоди: премахване на метаданни, идентифициращи процеса (номера на части, референции на клиенти, целеви циклични времена) и предоставяне само на потоци от съвместни траектории и състояния на захващащото устройство. Няколко програми за набори от данни – включително AgiBot World и нововъзникващи инициативи на консорциуми на OEM – приемат деидентифицирани данни за индустриална манипулация съгласно условията на Apache 2.0 или CC-BY. Инфраструктурата за регистриране с детерминистични времеви марки на EtherCAT гарантира, че качеството на епизодите отговаря на стандартите за прием на набори от данни.

Коя система за събиране на данни от телеоперации работи най-добре за задачи по индустриална манипулация?

За индустриална манипулация водещите опции са ALOHA 2 (двуръчни рамена тип „лидер-последовател“, ниска цена, с отворен код), UMI (монтирани на китката, отделени от робота, лесно преносими) и заснемане на базата на екзоскелет за задачи с по-голям полезен товар или за цялото тяло. VR платформите, използващи Apple Vision Pro или Meta Quest 3, набират популярност за интуитивно двуръчно заснемане, но изискват пренасочване на канали, за да се преобразува кинематиката на човешката ръка в ставното пространство на робота. Правилният избор зависи от степените на свобода на целевия робот, полезния товар и дали задачата изисква две ръце.

Последна актуализация: април 23, 2026

Вижте ни Вградени решения с изкуствен интелект →