Poslední aktualizace: duben 23, 2026

Sběr dat pro vtělenou umělou inteligenci: Teleoperace, simulace a průmyslové datové sady v roce 2026

Data jsou úzkým hrdlem ztělesněné umělé inteligence, nikoli výpočetní technika. Trénování robotických zásad vyžaduje synchronizované toky akcí a stavů, které v internetovém měřítku jednoduše neexistují. Tuto poptávku v současnosti uspokojují tři zdroje. Lidská teleoperace přináší vysoce kvalitní demonstrace na úkor času operátora. Přenos ze simulace do reálného prostředí škáluje počet epizod, ale zavádí rozdíly ve věrnosti. Velké otevřené datové sady sdružují příspěvky z desítek laboratoří a platforem.

Proč jsou data úzkým hrdlem ztělesněné umělé inteligence

Výpočetní technika se vyvíjela podle předvídatelné škálovací křivky. Klastry GPU schopné trénovat modely Vision-Language-Action (VLA) s miliardami parametrů jsou dnes komerčně dostupné. Co se však škálování nedočkalo, jsou data, která tyto modely potřebují: párová pozorování a akce zaznamenané během fyzické manipulace s robotem, s dostatečnou rozmanitostí úkolů a provedení pro vytvoření zobecňujících zásad.

Jazykový model dokáže z webu během několika týdnů přijmout bilion tokenů. Datová sada pro manipulaci s roboty musí být generována epizoda po epizodě, přičemž každá z nich vyžaduje fyzického robota, reálné nebo simulované prostředí, definici úkolu a buď lidského operátora, nebo skriptovanou demonstraci. Mezinárodní federace robotiky (IFR) odhaduje, že v roce 2024 fungovalo na celém světě přes 3.9 milionu průmyslových robotů, přesto největší otevřené datové sady pro manipulaci obsahují řádově milion epizod. Tato mezera se rychle nezmenšuje.

Problém se zhoršuje, když vezmeme v úvahu mezeru v provedení: politika trénovaná na jednoramenném manipulátoru s 6 stupni svobody se nepřenáší čistě na bimanuálního humanoida nebo mobilní základnu s ramenem. Každý nový tvar robota efektivně resetuje požadavky na data. Přístupy rozdělení akcí do bloků (kde politika vydává vícekrokové akční sekvence namísto jednotlivých kroků) snižují latenci inference, ale nesnižují potřebu rozmanitého trénovacího pokrytí.

Podle článku Open X-Embodiment (Padalkar a kol., 2023, Google DeepMind a kol.) může trénink s využitím různých robotických dat zlepšit zobecnění politik nad rámec toho, co poskytují datové sady s jedním provedením. EVST to řeší hodnocením kvality datových sad s různými provedeními jako součást svého interního procesu hodnocení při výběru plánování pohybu s rozšířenou umělou inteligencí pro svou kompletní řadu robotů o hmotnosti 3–800 kg. Hardwarovou stránku této datové strategie viz. Řešení EVST Embodied AI, včetně humanoidních robotů, obratných rukou pro sběr dat, čtyřnohých robotů a pilotních platforem pro vývoj ztělesněné umělé inteligence.

Tři hlavní zdroje dat: silné stránky a omezení

Teleoperace

Teleoperace zachycuje demonstrace hardwaru cílového robota v odborné kvalitě. Operátor ovládá robota na dálku pomocí ramen pro vůdce a následovníka, VR headsetů, exoskeletů nebo ručních rozhraní, zatímco systém synchronně zaznamenává každý úhel kloubu, stav chapadla, údaj o síle a snímek kamery. Protože data pocházejí od člověka provádějícího skutečný úkol na skutečném robotu, je shoda mezi akcí a stavem přesná a rozdíl mezi provedeními je nulová.

Omezením je propustnost. Zkušení teleoperátoři produkují zhruba 5–50 epizod za hodinu v závislosti na složitosti úkolu a kvalita dat se snižuje, když se operátoři unaví. Teleoperace se také nedá škálovat na zotavení po selhání bez promyšleného návrhu protokolu: pokud operátoři vždy uspějí, politika se nikdy nenaučí zotavit z poruch.

Přenos ze simulátoru do reálného světa

Fyzikální simulátory (MuJoCo, NVIDIA Isaac Sim, Isaac Lab, PyBullet) umožňují výzkumníkům generovat miliony epizod robotů s téměř nulovými mezními náklady. Jeden cluster GPU dokáže spustit tisíce paralelních simulačních instancí přes noc. Náklady se projeví při nasazení: zásady trénované v simulaci často selhávají, když se setkají s dynamikou kontaktů v reálném světě, šumem senzorů a vizuálními variacemi, které simulátor přesně nereplikoval. Zaplnění této mezery mezi simulací a realitou je aktivní oblastí výzkumu.

Internetové video a pasivní pozorování

Rozsáhlé modely vizuálního jazyka předtrénované na internetovém videu poskytují obecné pochopení scény, které pomáhá s orientací v úkolu. Architektura pi0 od Physical Intelligence a podobné návrhy VLA používají video předtrénování k zdokonalení manipulačních dovedností před jemným doladěním na demonstracích robotů. Omezením je, že video neposkytuje žádné popisky akcí: video ukazuje ruku uchopující objekt, ale nezaznamenává aplikovanou sílu ani úhly kloubů ekvivalentního robotického ramene. Modely inverzní dynamiky dokáží částečně odvodit akce z videa, ale výsledné pseudo-popisky nesou šum.

Hardware a protokoly pro teleoperaci

Volba rozhraní pro teleoperace ovlivňuje jak kvalitu dat, tak i propustnost sběru dat. Níže jsou uvedeny systémy, které byly v letech 2025–2026 nejaktivnější ve výzkumných a komerčních programech.

Vedoucí a následující ramena: ALOHA a mobilní ALOHA

Systém ALOHA (Nízkonákladový open-source hardwarový systém pro bimanuální teleoperaci) byl vyvinut na Stanfordské univerzitě a využívá dvě levná vedoucí ramena, kterými operátor pohybuje ručně, zatímco dvě spárovaná sledovací ramena na robotu replikují pohyb v reálném čase. Bimanuální konstrukce zachycuje obouruční úkony, které systémy s jedním ramenem nedokážou. Mobilní ALOHA rozšiřuje platformu na mobilní základnu. ALOHA 2, vydaná v roce 2024, zlepšila přesnost sledování kloubů a ergonomii operátora. Cena hardwaru pro pár vedoucí-sledovatel je nižší než 20 000 dolarů, což vedlo k jeho přijetí v desítkách akademických laboratoří.

Rozhraní montovaná na zápěstí: UMI

Univerzální manipulační rozhraní (UMI) od Stanfordské a Kolumbijské univerzity upevňuje kameru typu rybí oko a kodér na ruční chapadlo. Obsluha fyzicky předvádí úkol v daném prostředí, zatímco chapadlo zaznamenává polohu a stav úchopu koncového efektoru. UMI odděluje sběr dat od robota: demonstrace lze shromažďovat v terénu a později je přesměrovat na jiná provedení robota. Díky tomu je obzvláště užitečné pro sběr dat o manipulaci v reálném prostředí mimo laboratorní prostředí.

VR a náhlavní displeje

Apple Vision Pro a Meta Quest 3 jsou oba zkoumány jako teleoperační rozhraní. Atraktivní je bimanuální sledování ruky se šesti stupni svobody s intuitivním ovládáním operátorem. Inženýrskou výzvou je přesměrování: kinematika lidské ruky (pět prstů, 27 kloubů) se musí mapovat na příkazy koncového efektoru robota (obvykle chapadla s 1 stupněm svobody nebo obratné ruce s 12–16 stupni svobody). Bez pečlivého přesměrování obsahují zaznamenané demonstrace záměr operátora, ale nikoli přímo spustitelné akce robota.

Exoskelet a snímání celého těla

U humanoidních robotů, kteří potřebují data o pohybu celého těla (včetně lokomoce v kombinaci s manipulací), zachycují exoskeletové obleky kinematiku celého těla při vzorkovacích frekvencích nad 100 Hz. AgiBot používá přístup založený na exoskeletu pro sběr dat o manipulaci s humanoidy pro svůj datový soubor AgiBot World. Teleoperace Fourier GR-1 se podobně spoléhá na nositelné snímací zařízení přizpůsobené konfiguraci kloubů robota.

Obrázek a velké komerční flotily

Společnost Figure AI provozuje v rámci svého výrobního závodu BMW vlastní flotilu teleoptických robotů. Model datového setrvačníku, ve kterém každý nasazený robot shromažďuje nové epizody, které se zpětně zapojují do tréninku, je také ústředním bodem vývojové strategie společnosti Tesla Optimus. Tyto systémy s uzavřenou smyčkou shromažďují průmyslová data rychlostí, které se otevřené akademické datové sady nemohou vyrovnat.

Porovnání teleoperačních platforem

Poznámka: Údaje o propustnosti jsou přibližné a odvozené z publikovaných výzkumů a zpráv výzkumníků. Dovednosti jednotlivých operátorů a složitost úkolu významně ovlivňují výsledky.

Veřejné datové sady: Open X-Embodiment, DROID, BridgeData, RoboSet, RH20T, AgiBot World

Ekosystém otevřených datových sad se od roku 2022 rychle rozšířil. Níže je uveden přehled nejcitovanějších kolekcí k začátku roku 2026.

Otevřené X-provedení (OXE) a RT-X

Model OXE, sestavený společností Google DeepMind ve spolupráci s 33 přispívajícími institucemi, agreguje přes 1 milion epizod napříč více než 22 typy robotů. Související modely RT-X prokázaly, že trénování na sdružených datech z různých provedení překonává základní hodnoty pro jednotlivá provedení v generalizačních benchmarkech. Model OXE je vydáván pod kombinací licencí CC-BY a Apache 2.0 v závislosti na přispívající instituci. Přístup je zajištěn prostřednictvím webových stránek RT-X a HuggingFace.

DROID

Databáze DROID (Distributed Robot Interaction Dataset) byla shromážděna ve 13 severoamerických výzkumných laboratořích pomocí standardizovaného systému Franka Panda s teleoperačním rozhraním ve stylu ALOHA. Obsahuje přibližně 76 000 epizod různých manipulačních úkolů v domácnosti a na stole. Standardizovaný hardware napříč pracovišti činí z DROID jednu z nejčistších rozsáhlých manipulačních datových sad pro klonování chování a experimenty s RLHF.

BridgeData V2

BridgeData V2 od UC Berkeley a Stanford University obsahuje přibližně 60 000 demonstrací napříč širokou škálou úloh manipulace s deskami stolu. Využívá rameno WidowX a vyznačuje se rozmanitostí úloh (přes 70 různých kategorií úloh), což z něj činí běžnou základnu pro doladění modelů VLA. Vydáno pod licencí CC-BY 4.0.

RoboSet

RoboSet z IIT Delhi a jeho spolupracovníků poskytuje data o víceúčelové manipulaci v kuchyni shromážděná pomocí Franka Panda. Zahrnuje pozorování RGB-D a jazykové anotace pro každou epizodu. RoboSet je navržen speciálně pro podporu jazykově podmíněného vyhodnocování politik, což je užitečné pro testování zobecnění podle instrukcí.

RH20T

RH20T (Robot-Human 20 Tasks) je rozsáhlá datová sada pro manipulaci s lidskými kontakty, která obsahuje synchronizovanou propriocepci robotů, RGB video, hloubkové, hmatové a audio streamy. Multimodální bohatství dělá z RH20T referenční soubor pro výzkumníky pracující na politikách, které vyžadují kontaktní snímání, nikoli pouze vizuální pozorování.

Svět AgiBotů

AgiBot World je datová sada pro manipulaci s humanoidy, kterou vytvořila čínská robotická společnost AgiBot s využitím vlastního systému sběru dat založeného na exoskeletu. Zaměřuje se na manipulaci s humanoidy v celém těle a představuje jednu z prvních rozsáhlých datových sad zaměřených konkrétně na humanoidní tvarové faktory v průmyslovém měřítku. AgiBot World je k dispozici pod otevřenou výzkumnou licencí pro nekomerční použití.

Referenční příručka k datové sadě veřejné ztělesněné umělé inteligence

Počty epizod a licenční podmínky pocházejí z datových sad a oficiálních repozitářů k začátku roku 2026. Před použitím ověřte aktuální podmínky.

Sim-to-Real Stack: Isaac Sim, MuJoCo, Cosmos a randomizace domén

Simulace škáluje generování dat. Praktickou otázkou je, který simulátor použít a jak překlenout mezeru zpět k fyzickému hardwaru.

MuJoCo

MuJoCo (Multi-Joint dynamics with Contact) zůstává standardem pro výzkum manipulace s využitím kontaktů. Jeho fyzikální engine zvládá dynamiku tuhých těles, měkkých kontaktů a systémů ovládaných šlachami s výpočetní efektivitou, která umožňuje tisíce paralelních tréninkových epizod na jednom clusteru GPU. Vydání open-source verze pod platformou Google DeepMind v roce 2022 výrazně urychlilo jeho přijetí. Většina akademického klonování chování a benchmarků RLHF využívá prostředí MuJoCo.

NVIDIA Isaac Sim a Isaac Lab

Isaac Sim běží na platformě Omniverse od NVIDIA a poskytuje fyziku akcelerovanou GPU s vysoce věrným vykreslováním. Isaac Lab (dříve OmniIsaacGymEnvs) je framework pro posilovací učení postavený na platformě Isaac Sim, optimalizovaný pro masivně paralelní trénování politik. Klíčovou výhodou je fotorealistické vykreslování: vizuály Isaaca Simu s trasováním cesty zmenšují rozdíly ve vizuální doméně ve srovnání se zjednodušenými vykreslovači MuJoCo, což je důležité pro trénování politik založených na vidění.

NVIDIA Cosmos

Cosmos je platforma pro vývoj světových modelů od společnosti NVIDIA, oznámená koncem roku 2024. Namísto simulace fyziky z prvních principů generuje Cosmos fotorealistické video interakcí robotů a objektů z textových nebo obrazových pokynů, trénovaných na velkých video datových sadách. Slibem je generování syntetických trénovacích dat, která vypadají dostatečně reálně, aby překlenula mezeru mezi vizuální simulací a realitou bez ručně vytvořené randomizace domén. Od začátku roku 2026 je Cosmos zkoumán několika laboratořemi pro učení robotů jako vrstva pro rozšiřování dat nad rámec skutečných demonstrací.

Gaussovské rozstřikování a rekonstrukce scény

3D Gaussovské splattingové modelování rekonstruuje fotorealistické scény z malé sady RGB obrázků během několika minut, nikoli hodin. Pro trénink robotů to znamená, že laboratoř může naskenovat nové pracovní prostředí, rekonstruovat Gaussovskou scénu a generovat nové úhly pohledu nebo konfigurace objektů pro doplnění dat, aniž by k tomu bylo potřeba fyzikální simulátor. Tento přístup je integrován do několika postupů pro přechod od simulace k realitě jako levný nástroj pro randomizaci vizuální domény.

Randomizace domén a identifikace systému

Randomizace domény během trénování randomizuje parametry simulace (textury objektů, světelné podmínky, koeficienty tření, tuhost kloubů robota), čímž nutí politiku k odolnosti vůči změnám, spíše než k přizpůsobení jediné simulované konfiguraci. Identifikace systému používá komplementární přístup: přesně měří fyzikální parametry skutečného robota (hmotnost, setrvačnost, poddajnost kloubů) a tyto hodnoty používá v simulaci k minimalizaci mezery před randomizací.

Učení se v rámci kurikula aplikuje randomizaci postupně. Politika se nejprve trénuje v úzké, čisté simulaci a poté se postupně setkává s většími variacemi, jak se výkon zlepšuje. Tento postupný přístup často konverguje rychleji než aplikace úplné randomizace od samého začátku.

Kompromisy mezi kvalitou dat a kvantitou

Více dat neznamená automaticky lepší data. Složení datové sady určuje, co natrénovaná politika může a nemůže dělat.

Pokud je cílem generalistická politika, je rozmanitost úkolů důležitější než počet epizod. Datová sada 100 000 epizod stejného úkolu typu „pick-and-place“ vytváří specialistu. Datová sada 10 000 epizod rozdělených do 50 typů úkolů může vytvořit politiku, která se po několika doladěních přenese na nové úkoly.

Rozmanitost provedení je důležitá pro přenos mezi roboty. Hodnota OXE spočívá právě v tom, že zahrnuje typy paží, mobilní platformy a obratné ruce. Zásady předem natrénované na OXE a doladěné na novém robotu obvykle překonávají ty trénované od nuly pouze na datech stejného nového robota, což je výsledek konzistentní v řadě publikovaných studií.

Délka epizody a zotavení po selhání jsou podceňovány. Datové soubory shromažďované zkušenými teleoperátory, kteří zřídka selhávají, vytvářejí zásady, které nevědí, jak se zotavit z poruch. Záměrné vkládání poruchových stavů a ​​demonstrace zotavení podstatně zlepšují odolnost v reálném světě. Některé laboratoře používají během teleoperačních sezení k generování těchto dat adversární poruchy.

Podle pozorování z oboru z několika zpráv laboratoří pro učení robotů v letech 2024–2025 se mezní hodnota dalších epizod prudce snižuje, jakmile datová sada pokryje úlohu při zhruba 500–1 000 demonstracích, zatímco mezní hodnota nových typů úloh zůstává vysoká až do tisíců různých úloh. EVST to zohledňuje při strukturování buněk pro sběr pilotních dat a upřednostňuje šíři úloh před akumulací opakovaných epizod.

Úvahy o průmyslových datech

Sběr dat z továrny klade požadavky, které akademická teleoperační nastavení obvykle neřeší.

Prvním požadavkem je deterministické protokolování. Ve výrobní buňce musí být časové razítko na odečtu kloubu s přesností na submilisekundy sledovatelné k referenci nástěnných hodin. Řízení sběrnice EtherCAT 1 kHz, standardní u průmyslových robotů (včetně robotů v řadě EVST), poskytuje deterministický časovací základ, který umožňuje synchronizaci s více senzory. Systém běžící na frekvenci 1 kHz generuje 1 000 vzorků stavu kloubu za sekundu na osu; zarovnání tohoto proudu se snímky kamery s frekvencí 30–60 fps a daty síly a momentu s frekvencí 500 Hz vyžaduje disciplinovanou hardwarovou architekturu časového razítka, nikoli softwarové ukládání do vyrovnávací paměti.

Bezpečnostní štítky jsou vyžadovány, když epizody zahrnují téměř nehody, aktivace nouzového zastavení nebo porušení limitů síly. Tyto štítky jsou nezbytné jak pro dodržování předpisů, tak pro školicí zásady, které chápou stavy relevantní z hlediska bezpečnosti. Průmyslové řídicí jednotky, které zaznamenávají příčiny nouzového zastavení a překročení momentu spojů na hardwarové úrovni, usnadňují sledování tohoto označování.

Anotace doby cyklu propojuje epizody robota s výsledky výroby. Vědomí, že epizoda 4 712 dokončila montážní úlohu za 8.3 sekundy s nulovými příznaky kvality, propojuje učící se data robota se systémem MES a umožňuje výběr vysoce kvalitních demonstrací pro školení.

Metadata propojená s MES tvoří most. Když systém pro zaznamenávání dat robota zapisuje soubory epizod s připojenými ID úloh MES, typy dílů a výsledky kvality, lze výslednou datovou sadu programově filtrovat. Epizody spojené s přepracováním, zmetkem nebo přepsáním operátora lze vyloučit nebo s nimi zacházet jako s demonstracemi selhání.

V praxi při dodatečném vybavení pilotní buňky pro sběr dat není nejčastějším úzkým hrdlem schopnost robota logovat, ale síťová architektura buňky. Průmyslové ethernetové segmenty, které byly navrženy pro komunikaci mezi PLC a robotem s frekvencemi nižšími než kHz, nejsou vždy dimenzovány pro šířku pásma nepřetržitého videa z více kamer a propriocepčních streamů. Buňka s dvěma kamerami v rozlišení 1080p při 30 fps plus šestiosá data o síle a stavy kloubů generuje zhruba 150–300 MB nezpracovaných dat epizod za minutu. Plánování úložné a síťové infrastruktury před nasazením umožňuje vyhnout se pozdějším nákladům na dodatečné vybavení.

Označování potrubí a nástrojů

Nezpracované záznamy epizod nejsou připraveny pro trénování. Potřebují jazykové anotace, masky segmentace objektů a v některých případech i popisky odměn.

Jazyková anotace

Jazykově podmíněné modely VLA potřebují popis úkolu každé epizody v přirozeném jazyce. U malých datových sad se to provádí ručně; u datových sad nad 10 000 epizod je nezbytná automatická anotace pomocí modelů vizuální řeči (GPT-4V, Gemini nebo specializované modely titulkování). Kontrola kvality vyžaduje lidskou kontrolu vzorku, aby se v automatickém anotátoru odhalily systematické chyby.

Segmentace a sledování objektů

Zásady, které uvažují o stavu objektů, těží z masek segmentace pro jednotlivé epizody identifikujících manipulované objekty. Model Segment Anything Model (SAM 2) od společnosti Meta umožňuje interaktivní segmentaci v rozsahu datové sady, což v kombinaci s průchodem sledování šíření zkracuje dobu anotace z hodin na minuty na epizodu.

Tvarování odměn pro RLHF

Pokud epizody zahrnují demonstrace úspěchu i neúspěchu, umožňuje označování odměn jemné doladění metody posilování učení z lidské zpětné vazby (RLHF). Lidští anotátoři hodnotí výsledky epizod a tyto preference trénují model odměn, který formuje aktualizace politik. Tento postup se používá ve vývoji pi0 společnosti Physical Intelligence a je zkoumán pro trénování průmyslových úloh, kde jsou binární označení úspěchu/neúspěchu již k dispozici z MES.

Soukromí, duševní vlastnictví a licencování datových sad

Příspěvky z otevřených datových sad vyvolávají otázky duševního vlastnictví, které musí průmysloví výrobci originálního vybavení (OEM) vyřešit před účastí.

Hlavní používané kategorie licencí jsou CC-BY (vyžadováno uvedení zdroje, povoleno komerční použití), CC-BY-NC (pouze nekomerční) a Apache 2.0 (povolující, včetně komerčního použití a přerozdělení váhy modelu). Proprietární datové sady (Tesla Optimus, data vozového parku Figure, Boston Dynamics) nejsou sdíleny externě.

Pro výrobce originálního vybavení (OEM) je problémem duševního vlastnictví odhalení procesu: epizoda ukazující specifickou konfiguraci přípravku, dráhu nástroje nebo návrh upínacího přípravku může odhalit proprietární výrobní metody. Standardním zmírňujícím opatřením je odstranění vizuálního kontextu na úroveň koncového efektoru, přispívání pouze proudy společných trajektorií (bez dat z kamery) nebo použití syntetických vykreslení manipulační trajektorie na obecném pozadí. Několik nově vznikajících konsorciálních modelů nabízí právní rámce pro anonymní přispívání průmyslových dat na základě vzájemných dohod o mlčenlivosti v kombinaci s datovými licencemi Apache 2.0.

Podle analýzy Stanford CRFM a spolupracovníků v rámci průzkumu učení robotů z roku 2024 představují proprietární datová sila největší strukturální bariéru pro pokrok v oblasti umělé inteligence nad rámec současných standardů. Průmysloví výrobci OEM, kteří nyní vyvíjejí interní rámce pro správu dat, budou mít možnost se zapojit do konsorcií pro datové soubory, jelikož se tyto programy formalizují v příštích 18–24 měsících.

Jak mohou výrobci originálního vybavení (OEM) přispívat daty

Dodavatelé průmyslové automatizace (včetně FANUC, ABB, KUKA a certifikovaných integrátorů na klíč, jako je EVST) se nacházejí na průsečíku robotického hardwaru a reálného výrobního prostředí. Tato pozice z nich činí přirozené přispěvatele do ekosystému dat ztělesněné umělé inteligence, pokud je zaveden provozní a právní rámec.

Pilotní buňky s překrytím teleoperace

Nejpřístupnějším vstupním bodem je pilotní buňka, kde je výrobní robot vybaven teleoperačním překrytím: ramenem typu „leader-follower“, které operátor používá k demonstraci variant výrobního úkolu. Tyto demonstrace se shromažďují v malém objemu (50–500 epizod) a jsou dostatečné pro doladění předtrénovaného modelu VLA na konkrétní výrobní úkol. Přístup pilotní buňky nevyžaduje změny v bezpečnostní certifikaci výrobní buňky, protože teleoperační systém funguje jako vstupní zařízení do řídicí jednotky robota, nikoli jako paralelní řídicí cesta.

Dodatečná evidence protokolů u výrobních robotů

Stávající výrobní roboty lze dovybavit lehkými moduly pro záznam dat, které zaznamenávají stav kloubů, polohu koncového efektoru a sílu uchopení rychlostí EtherCAT a během výrobních běhů zapisují soubory epizod s časovým razítkem na okrajový server. To nevyžaduje žádnou změnu řídicího programu robota. Zaznamenaná data zachycují skutečné manipulační chování ve výrobě, což je pro daný úkol reprezentativnější než laboratorní demonstrace. Průmyslové řídicí jednotky EVST, pracující s cykly EtherCAT 1 kHz a certifikované podle standardů CE/SGS/TUV, poskytují deterministickou architekturu časování, na které je tento přístup k záznamu dat závislý. Data lze čistit, anonymizovat a formátovat pro standardní rámce pro učení robotů bez nákladných reintegračních prací.

Účast v programu anonymizovaných datových sad

Nově vznikající programy pro datové sady OEM (včetně otevřeného příspěvkového programu AgiBot World a několika diskusí konsorcia na ICRA 2025) akceptují anonymizovaná data o průmyslové manipulaci. OEM s certifikací IATF16949, jako je EVST, mají stávající procesy řízení kvality, které dobře odpovídají požadavkům na integritu metadat, které tyto programy specifikují: sledovatelná časová razítka, dokumentované protokoly sběru dat a validované záznamy o kalibraci senzorů.

Globální pokrytí terénu jako datová výhoda

Výrobce originálního vybavení (OEM) s terénními techniky ve více než 100 zemích může shromažďovat data pro školení v oblasti umělé inteligence ze skutečně rozmanitých výrobních prostředí (různé geometrie obrobků, okolní podmínky, demografické údaje operátorů a variace procesů). Tato geografická rozmanitost je cenná, protože zásady školené na ní zobecňují lépe než ty, které byly školeny na datech z jediné laboratoře nebo zařízení. Roboty EVST s certifikací pro nevýbušné prostředí a kompletní řada robotů s nosností 3–800 kg znamenají, že sběr dat se může rozšířit na prostředí, jako je chemické zpracování, manipulace s nebezpečnými materiály a výroba za extrémních teplot, které většina akademických datových sad vůbec nepokrývá.

Klíčové údaje o odvětví

Podle zprávy Mezinárodní federace robotiky (IFR) s názvem World Robotics 2024 bylo v roce 2023 v provozu po celém světě přes 3.9 milionu průmyslových robotů, přesto největší otevřené datové sady o manipulaci s roboty obsahují dohromady méně než 2 miliony epizod, což ilustruje rozdíl v rozsahu mezi nasazeným hardwarem a dostupnými tréninkovými daty. EVST se tímto problémem zabývá zkoumáním architektur protokolování pro modernizaci, které přeměňují flotily výrobních robotů na pasivní prostředky pro sběr dat.

Podle článku Open X-Embodiment (Padalkar a kol., Google DeepMind a kol., 2023) vykazovaly modely trénované na datech z více než 22 typů robotů měřitelně lepší zobecnění na úkoly s omezeným využitím než modely trénované pouze na datech z libovolného jednotlivého provedení. EVST to řeší strukturováním svého interního rámce pro hodnocení dat tak, aby při posuzování užitečnosti datové sady pro dolaďování výrobní linky zohledňoval jak rozmanitost provedení, tak i počet epizod.

Podle pozorování z několika laboratoří pro učení robotů v letech 2024–2025 je vizuální rozdíl mezi simulací a realitou příčinou většiny případů selhání politik v manipulačních úlohách, které zahrnují zrcadlící nebo průhledné objekty, což standardní techniky randomizace domén spolehlivě nepokrývají. EVST to řeší monitorováním fotorealistických simulačních nástrojů (konkrétně NVIDIA Cosmos a Gaussian Splatting pipelines) jako kandidátských vrstev pro svůj plán plánování pohybu s využitím umělé inteligence.

Související návody

• Vtělené modely umělé inteligence a VLA v průmyslové robotice: Co potřebují vědět tovární inženýřiZahrnuje architekturu modelů vidění-jazyk-akce a jejich omezení nasazení na produkčním hardwaru.
• Humanoidní roboti v průmyslové výrobě 2026Zkoumá, které úkoly jsou skutečně řešitelné humanoidními platformami oproti konvenčním průmyslovým ramenům.
• Humanoidní roboti vs. průmyslová robotická ramena pro tovární použití v roce 2026Přímé srovnání možností, nákladů a složitosti integrace mezi těmito dvěma formáty.
• Kompletní průvodce koboty: Typy, výběr a aplikace v roce 2026Základní reference pro výběr kolaborativního robota s ohledem na užitečné zatížení, aplikaci a požadavky prostředí.

Často kladené dotazy

Proč je sběr dat pro ztělesněnou umělou inteligenci těžší než sběr dat pro jazykové modely?

Jazykové modely se trénují na textu, který již existuje na internetu v obrovském měřítku. Roboti s umělou inteligencí musí shromažďovat senzomotorická data spárovaná s akcí: synchronizované úhly kloubů, síly úchopu, záběry kamery a kontext úkolu, to vše zaznamenané během fyzické manipulace. Tato data neexistují ve webovém měřítku a jejich generování je nákladné. Každá teleoperovaná epizoda obvykle trvá 1–10 minut času zkušeného operátora, než vytvoří jednu tréninkovou trajektorii, a kvalita se snižuje, pokud operátor není obeznámen s dynamikou robota.

Jaký je rozdíl mezi přenosem ze simulace do reality a randomizací domény při trénování robotů?

Přenos ze simulace do reálného stavu je širokým cílem: trénovat politiku v simulaci a nasadit ji na fyzickém robotu bez poklesu výkonu. Randomizace domén je jednou z technik k dosažení tohoto cíle. Během trénování náhodně mění parametry simulace – osvětlení, textury, koeficienty tření, hmotnosti objektů – takže se politika naučí zvládat variace v reálném světě, spíše než aby se přeorientovala na jeden simulovaný vzhled. Mezi další metody patří adaptace domény, fotorealistické vykreslování (jako v NVIDIA Cosmos) a identifikace systému.

Co je Open X-Embodiment a kolik typů robotů pokrývá?

Open X-Embodiment je rozsáhlá otevřená datová sada pro učení robotů, kterou sestavila platforma Google DeepMind ve spolupráci s 33 výzkumnými institucemi. Agreguje přes 1 milion epizod robotů napříč více než 22 provedeními robotů – jednoramennými manipulátory, bimanuálními soupravami, mobilními základnami a obratnými rukama. Modely RT-X trénované na OXE prokázaly, že trénink napříč provedeními zlepšuje zobecnění politik ve srovnání s výchozími hodnotami pro jedno provedení.

Jak může výrobce originálního vybavení (OEM) přispět daty z robotů k trénování umělé inteligence, aniž by odhalil proprietární duševní vlastnictví procesů?

Nejpraktičtějším přístupem je anonymizovaný příspěvek epizod: odstraňte metadata identifikující proces (čísla dílů, reference zákazníků, cílové doby cyklu) a přispívejte pouze proudy trajektorie spojů a stavu chapadla. Několik programů pro datové sady – včetně AgiBot World a nově vznikajících iniciativ konsorcia OEM – přijímá anonymizovaná data o průmyslové manipulaci pod podmínkami Apache 2.0 nebo CC-BY. Infrastruktura protokolování s deterministickými časovými razítky EtherCAT zajišťuje, že kvalita epizod splňuje standardy příjmu datových sad.

Jaký systém pro sběr dat z teleoperací funguje nejlépe pro úkoly průmyslové manipulace?

Pro průmyslovou manipulaci jsou hlavními možnostmi ALOHA 2 (bimanuální ramena s vůdčím a následovaným mechanismem, nízká cena, open source), UMI (zápěstí, oddělené od robota, vysoce přenosné) a snímání pomocí exoskeletu pro úkoly s vyšším užitečným zatížením nebo snímání celého těla. VR zařízení využívající Apple Vision Pro nebo Meta Quest 3 získávají na popularitě pro intuitivní bimanuální snímání, ale vyžadují přesměrování tras pro převod kinematiky lidské ruky do kloubního prostoru robota. Správná volba závisí na stupních volnosti cílového robota, užitečném zatížení a na tom, zda úkol vyžaduje dvě ruce.

Poslední aktualizace: duben 23, 2026

Podívejte se na naši Řešení s vtělenou umělou inteligencí →