Sidst opdateret: april 23, 2026

Dataindsamling til indbygget AI: Teleoperation, Sim-to-Real og industrielle datasæt i 2026

Data er flaskehalsen for kropsliggjort kunstig intelligens, ikke beregning. Træning af en robotpolitik kræver synkroniserede handlingstilstandsstrømme, der simpelthen ikke findes på internetniveau. Tre kilder dækker i øjeblikket denne efterspørgsel. Menneskelig teleoperation giver demonstrationer af høj kvalitet på bekostning af operatørens tid. Sim-til-real-overførsel skalerer antallet af episoder, men introducerer et forskel i kvalitetskvalitet. Store åbne datasæt samler bidrag fra snesevis af laboratorier og platforme.

Hvorfor data er den indlejrede AI-flaskehals

Beregning har fulgt en forudsigelig skaleringskurve. GPU-klynger, der er i stand til at træne milliard-parameter vision-language-action (VLA) modeller, er kommercielt tilgængelige i dag. Det, der ikke er skaleret, er de data, disse modeller har brug for: parrede observationer og handlinger registreret under fysisk robotmanipulation, med tilstrækkelig opgave- og udførelsesformdiversitet til at producere politikker, der generaliserer.

En sprogmodel kan indtage en billion tokens fra nettet på få uger. Et datasæt til robotmanipulation skal genereres episode for episode, hvor hver enkelt kræver en fysisk robot, et reelt eller simuleret miljø, en opgavedefinition og enten en menneskelig operatør eller en scriptet demonstration. International Federation of Robotics (IFR) anslår, at over 3.9 millioner industrirobotter var i drift globalt i 2024, men de største åbne manipulationsdatasæt indeholder i størrelsesordenen en million episoder. Kløften lukkes ikke hurtigt.

Udfordringen forstærkes, når man tager hul i udførelsesformen i betragtning: en politik, der er trænet på en 6-DoF enkeltarmsmanipulator, overføres ikke problemfrit til en bimanuel humanoid eller en mobil base med en arm. Hver ny robotformfaktor nulstiller effektivt datakravene. Handlingschunking-tilgange (hvor en politik udsender flertrinshandlingssekvenser i stedet for enkelttrin) reducerer inferensforsinkelse, men reducerer ikke behovet for forskelligartet træningsdækning.

Ifølge Open X-Embodiment-artiklen (Padalkar et al., 2023, Google DeepMind et al.) kan træning på tværs af udførelsesformer med forskellige robotdata forbedre generaliseringen af ​​politikker ud over, hvad datasæt med enkelte udførelsesformer giver. EVST adresserer dette ved at evaluere kvaliteten af ​​datasæt på tværs af udførelsesformer som en del af sin interne vurderingsproces, når de vælger AI-forstærket bevægelsesplanlægning til deres komplette robotserie på 3-800 kg. For hardwaresiden af ​​denne datastrategi, se EVST Embodied AI-løsninger, herunder menneskelignende robotter, fingerfærdige dataindsamlingshænder, firbenede robotter og pilotplatforme til udvikling af kropsliggjort AI.

De tre vigtigste datakilder: Styrker og begrænsninger

Teleoperation

Teleoperation optager demonstrationer af ekspertkvalitet på den pågældende robots hardware. Operatøren styrer robotten eksternt via leder-følger-arme, VR-headset, exoskeletdragter eller håndholdte grænseflader, mens systemet registrerer hver ledvinkel, gribertilstand, kraftaflæsning og kamerabillede synkront. Fordi dataene kommer fra et menneske, der udfører den faktiske opgave på den faktiske robot, er handling-tilstand-korrespondancen nøjagtig, og udførelsesformsgabet er nul.

Begrænsningen er gennemløbshastigheden. Dygtige teleoperatører producerer cirka 5-50 episoder i timen afhængigt af opgavens kompleksitet, og datakvaliteten forringes, når operatørerne bliver trætte. Teleoperation skalerer heller ikke til fejlgendannelse uden bevidst protokoldesign: hvis operatørerne altid har succes, lærer politikken aldrig at komme sig over forstyrrelser.

Sim-til-ægte overførsel

Fysiksimulatorer (MuJoCo, NVIDIA Isaac Sim, Isaac Lab, PyBullet) giver forskere mulighed for at generere millioner af robotepisoder med næsten nul marginalomkostninger. En enkelt GPU-klynge kan køre tusindvis af parallelle simuleringsinstanser natten over. Omkostningerne viser sig ved implementering: politikker, der er trænet i simulering, fejler ofte, når de står over for virkelige kontaktdynamikker, sensorstøj og visuel variation, som simulatoren ikke replikerede nøjagtigt. At lukke dette hul mellem sim og virkelighed er et aktivt forskningsområde.

Internetvideo og passiv observation

Store visionssprogsmodeller, der er foruddannet på internetvideo, giver en generel forståelse af scenen, der hjælper med opgaveforberedelse. Physical Intelligences pi0-arkitektur og lignende VLA-designs bruger videoforuddannelse til at opgradere manipulationsfærdigheder før finjustering af robotdemonstrationer. Grænsen er, at video ikke giver handlingsmærkater: en video viser en hånd, der griber fat i et objekt, men registrerer ikke den påførte kraft eller ledvinklerne på en tilsvarende robotarm. Inverse dynamikmodeller kan delvist udlede handlinger fra video, men de resulterende pseudo-mærkater bærer støj.

Teleoperationshardware og -protokoller

Valget af teleoperationsgrænseflade former både datakvalitet og indsamlingshastighed. Nedenfor er de systemer, der er mest aktive i forsknings- og kommercielle programmer i 2025-2026.

Leder-følger-arme: ALOHA og mobil ALOHA

ALOHA (A Low-cost Open-source Hardware System for Bimanual Teleoperation) blev udviklet på Stanford og bruger to billige lederarme, som operatøren bevæger manuelt, mens to matchende følgerarme på robotten replikerer bevægelsen i realtid. Det bimanuelle design indfanger tohåndsopgaver, som enkeltarmssystemer ikke kan. Mobil ALOHA udvider platformen til en mobil base. ALOHA 2, der blev udgivet i 2024, forbedrede ledsporingsgengivelsen og operatørens ergonomi. Hardwareomkostningerne er under $20,000 for leder-følger-parret, hvilket har drevet udbredelsen på tværs af snesevis af akademiske laboratorier.

Håndledsmonterede grænseflader: UMI

Universal Manipulation Interface (UMI) fra Stanford og Columbia monterer et fiskeøjekamera og encoder på en håndholdt griber. Operatøren demonstrerer fysisk opgaven i omgivelserne, mens griberen registrerer effektorens position og gribetilstand. UMI afkobler dataindsamling fra robotten: demonstrationer kan indsamles i felten og senere målrettes mod forskellige robotudførelsesformer. Dette gør den særligt nyttig til indsamling af manipulationsdata i naturen uden for et laboratoriemiljø.

VR og hovedmonterede displays

Apple Vision Pro og Meta Quest 3 udforskes begge som teleoperationsgrænseflader. Appellen er bimanuel seks-DoF håndsporing med intuitiv operatørkontrol. Den tekniske udfordring er retargeting: Den menneskelige hånds kinematik (fem fingre, 27 led) skal kortlægges til robottens sluteffektorkommandoer (typisk gribere med 1-DoF eller fingerfærdige hænder med 12-16 DoF). Uden omhyggelig retargeting indeholder de optagede demonstrationer operatørens intention, men ikke direkte eksekverbare robothandlinger.

Exoskelet og helkropsindfangning

For humanoide robotter, der har brug for data om fuld kropsbevægelse (inklusive bevægelse kombineret med manipulation), indfanger exoskeletdragter helkropsbevægelser ved samplingshastigheder over 100 Hz. AgiBot bruger en exoskeletbaseret tilgang til at indsamle humanoide manipulationsdata til sit AgiBot World-datasæt. Fourier GR-1-teleoperation er ligeledes afhængig af en bærbar optagelsesrig, der er matchet til robottens ledkonfiguration.

Figur- og storskala kommercielle flåder

Figure AI driver en proprietær teleop-flåde på tværs af sin BMW-produktion. Data-svinghjulsmodellen, hvor hver anvendt robot indsamler nye episoder, der bruges i træningen, er også central for Tesla Optimus' udviklingsstrategi. Disse lukkede kredsløbssystemer akkumulerer industrielle data med en hastighed, som åbne akademiske datasæt ikke kan matche.

Sammenligning af teleoperationsplatforme

Bemærk: Gennemstrømningstallene er omtrentlige intervaller hentet fra publiceret forskning og forskerberetninger. Individuelle operatørfærdigheder og opgavekompleksitet påvirker resultaterne betydeligt.

Offentlige datasæt: Open X-Embodiment, DROID, BridgeData, RoboSet, RH20T, AgiBot World

Det åbne datasæt-økosystem er vokset hurtigt siden 2022. Nedenfor er en oversigt over de mest citerede samlinger fra starten af ​​2026.

Åben X-udførelsesform (OXE) og RT-X

OXE, der er samlet af Google DeepMind med 33 bidragydende institutioner, aggregerer over 1 million episoder på tværs af mere end 22 robottyper. De tilhørende RT-X-modeller viste, at træning på samlede krydsudførelsesformsdata overgår enkeltudførelsesformsbaselines på generaliseringsbenchmarks. OXE er udgivet under en blanding af CC-BY- og Apache 2.0-licenser afhængigt af den bidragydende institution. Adgang sker via RT-X-webstedet og HuggingFace.

DROID

DROID (Distributed Robot Interaction Dataset) blev indsamlet på tværs af 13 nordamerikanske forskningslaboratorier ved hjælp af et standardiseret Franka Panda-setup med en ALOHA-lignende teleoperationsgrænseflade. Det indeholder cirka 76,000 episoder af forskellige manipulationsopgaver i hjemmet og på bordet. Den standardiserede hardware på tværs af lokationer gør DROID til et af de reneste manipulationsdatasæt i stor skala til adfærdskloning og RLHF-eksperimenter.

BridgeData V2

BridgeData V2, fra UC Berkeley og Stanford, indeholder cirka 60,000 demonstrationer på tværs af en bred vifte af bordmanipulationsopgaver. Den bruger en WidowX-arm og er kendt for sin opgavediversitet (over 70 forskellige opgavekategorier), hvilket gør den til et almindeligt finjusteringsgrundlag for VLA-modeller. Udgivet under CC-BY 4.0.

RoboSet

RoboSet fra IIT Delhi og samarbejdspartnere leverer data om manipulation af køkkener med flere opgaver indsamlet med en Franka Panda. Det inkluderer RGB-D-observationer og sproglige annotationer for hver episode. RoboSet er designet specifikt til at understøtte sprogbetinget politikevaluering, hvilket gør det nyttigt til test af instruktionsbaseret generalisering.

RH20T

RH20T (Robot-Human 20 Tasks) er et storstilet datasæt med fokus på kontaktmålinger, der indeholder synkroniseret robotproprioception, RGB-video, dybdemåling, taktilitet og lydstrømme. Den multimodale rigdom gør RH20T til en reference for forskere, der arbejder med politikker, der kræver kontaktmåling, ikke kun visuel observation.

AgiBot World

AgiBot World er et datasæt til manipulation af menneskelignende organismer produceret af AgiBot, et kinesisk robotfirma, der bruger deres eksoskeletbaserede dataindsamlingspipeline. Det fokuserer på manipulation af menneskelignende organismer i hele kroppen og repræsenterer et af de første store datasæt, der specifikt er målrettet mod menneskelignende formfaktorer i industriel skala. AgiBot World er tilgængelig under en åben forskningslicens til ikke-kommerciel brug.

Offentlig Embodied AI-datasætreference

Episodantal og licensvilkår er hentet fra datasæt og officielle databaser fra starten af ​​2026. Bekræft aktuelle vilkår før brug.

Sim-til-Real-stak: Isaac Sim, MuJoCo, Cosmos og domænerandomisering

Simulering skalerer datagenerering. Det praktiske spørgsmål er, hvilken simulator der skal bruges, og hvordan man lukker hullet tilbage til fysisk hardware.

MuJoCo

MuJoCo (Multi-Joint dynamics with Contact) er fortsat standarden for forskning i kontaktrig manipulation. Dens fysikmotor håndterer stive kropsdynamik, bløde kontakter og seneaktiverede systemer med en beregningsmæssig effektivitet, der tillader tusindvis af parallelle træningsepisoder på en enkelt GPU-klynge. Open source-udgivelsen under Google DeepMind i 2022 accelererede adoptionen betydeligt. De fleste akademiske adfærdskloninger og RLHF-benchmarks bruger MuJoCo-miljøer.

NVIDIA Isaac Sim og Isaac Lab

Isaac Sim kører på NVIDIAs Omniverse-platform og leverer GPU-accelereret fysik med high-fidelity-rendering. Isaac Lab (tidligere OmniIsaacGymEnvs) er forstærkningslæringsframeworket, der er bygget på Isaac Sim og optimeret til massiv parallel policytræning. En vigtig fordel er fotorealistisk rendering: Isaac Sims sti-sporede visuelle elementer reducerer det visuelle domænegab sammenlignet med MuJoCos forenklede renderere, hvilket er vigtigt for træning af visionsbaserede politikker.

NVIDIA Cosmos

Cosmos er NVIDIAs verdensomspændende fundamentsmodelplatform, der blev annonceret i slutningen af ​​2024. I stedet for at simulere fysik ud fra grundprincipper genererer Cosmos fotorealistisk video af robot- og objektinteraktioner fra tekst- eller billedprompter, der trænes på store videodatasæt. Løftet er at generere syntetiske træningsdata, der ser ægte nok ud til at lukke det visuelle kløft mellem simulering og realitet uden håndlavet domænerandomisering. Fra begyndelsen af ​​2026 udforskes Cosmos af adskillige robotlæringslaboratorier som et dataforstærkningslag oven på virkelige demonstrationer.

Gaussisk splatting og scenekonstruktion

3D Gaussisk Splatting rekonstruerer fotorealistiske scener fra et lille sæt RGB-billeder på få minutter i stedet for timer. For robottræning betyder det, at et laboratorium kan scanne et nyt arbejdsmiljø, rekonstruere en Gaussisk scene og generere nye synspunkter eller objektkonfigurationer til dataforøgelse uden at kræve en fysiksimulator overhovedet. Denne tilgang integreres i adskillige sim-to-real-pipelines som et billigt visuelt domæne-randomiseringsværktøj.

Domænerandomisering og systemidentifikation

Domænerandomisering randomiserer simuleringsparametre (objektteksturer, lysforhold, friktionskoefficienter, robotleddsstivhed) under træning, hvilket tvinger politikken til at være robust over for variation i stedet for at tilpasse den til en enkelt simuleret konfiguration. Systemidentifikation anvender den komplementære tilgang: den måler den virkelige robots fysiske parametre (masse, inerti, ledeftergivenhed) præcist og bruger disse værdier i simuleringen for at minimere hullet før randomisering.

Læring i læseplaner anvender randomisering progressivt. En politik trænes først i en smal, ren simulering og støder derefter gradvist på mere variation, efterhånden som præstationen forbedres. Denne trinvise tilgang konvergerer ofte hurtigere end at anvende fuld randomisering fra starten.

Afvejninger mellem datakvalitet og kvantitet

Mere data er ikke automatisk bedre. Sammensætningen af ​​et datasæt former, hvad en trænet politik kan og ikke kan gøre.

Opgavediversitet betyder mere end antallet af episoder, når målet er en generalistisk politik. Et datasæt på 100,000 episoder af den samme pick-and-place-opgave producerer en specialist. Et datasæt på 10,000 episoder fordelt på 50 opgavetyper kan producere en politik, der overføres til nye opgaver efter få finjusteringer.

Diversitet i udførelsesformer er vigtig for overførsel mellem robotter. OXE's værdi ligger netop i, at den spænder over armtyper, mobile platforme og fingerfærdige hænder. En politik, der er præ-trænet i OXE og finjusteret på en ny robot, overgår typisk en politik, der er trænet fra bunden alene på den samme nye robots data, et resultat, der er konsistent på tværs af flere publicerede studier.

Episodelængde og gendannelse efter fejl bliver undervurderet. Datasæt indsamlet af dygtige teleoperatører, der sjældent fejler, producerer politikker, der ikke ved, hvordan man gendanner sig fra forstyrrelser. Bevidst indsættelse af fejltilstande og demonstrationer af gendannelse forbedrer den virkelige verden betydeligt. Nogle laboratorier bruger modstridende forstyrrelser under teleoperationssessioner til at generere disse data.

Ifølge brancheobservationer fra flere rapporter fra robotlæringslaboratorier i 2024-2025 falder den marginale værdi af yderligere episoder kraftigt, når et datasæt dækker en opgave med cirka 500-1,000 demonstrationer, mens den marginale værdi af nye opgavetyper forbliver høj op til tusindvis af forskellige opgaver. EVST tager højde for dette, når de strukturerer pilotdatafangstceller, og prioriterer opgavebredde frem for akkumulering af gentagne episoder.

Overvejelser vedrørende industriel datakvalitet

Indsamling af fabriksdata stiller krav, som akademiske teleoperationsopsætninger typisk ikke opfylder.

Deterministisk logging er det første krav. I en produktionscelle skal tidsstemplet på en fælles encoder-aflæsning kunne spores til en vægurreference med en nøjagtighed på under et millisekund. EtherCAT 1 kHz fieldbus-styring, standard på industrirobotter (inklusive dem i EVST's sortiment), giver det deterministiske timing-fundament, der gør multisensorsynkronisering håndterbar. Et system, der kører ved 1 kHz, genererer 1,000 fællestilstandsprøver pr. sekund pr. akse. At justere denne strøm med kamerabilleder ved 30-60 fps og kraft-moment-data ved 500 Hz kræver en disciplineret hardware-tidsstempelarkitektur, ikke softwarebuffering.

Sikkerhedsmærkater er påkrævet, når episoder omfatter nærved-hændelser, nødstopaktiveringer eller overtrædelser af kraftgrænser. Disse mærkater er nødvendige både for overholdelse af regler og for træningspolitikker, der forstår sikkerhedsrelevante tilstande. Industrielle controllere, der logger årsager til nødstop og overskridelser af fælles moment på hardwareniveau, gør denne mærkning håndterbar.

Cyklustidsannotering forbinder robotepisoder med produktionsresultater. Når episode 4,712 fuldførte samleopgaven på 8.3 sekunder med nul kvalitetsflag, forbindes robotlæringsdataene til MES-systemet og muliggør valg af demonstrationer af høj kvalitet til træning.

MES-forbundne metadata er broen. Når en robots datalogningssystem skriver episodefiler med MES-job-ID'er, deltyper og kvalitetsresultater tilknyttet, kan det resulterende datasæt filtreres programmatisk. Episoder forbundet med omarbejdning, kassering eller operatørtilsidesættelse kan udelukkes eller behandles som fejldemonstrationer.

I praksis er den mest almindelige flaskehals, når man eftermonterer en pilotcelle til dataopsamling, ikke robottens logningskapacitet, men cellens netværksarkitektur. Industrielle ethernetsegmenter, der er designet til PLC-til-robot-kommunikation ved subkHz-hastigheder, er ikke altid dimensioneret til båndbredden for kontinuerlig multikameravideo plus proprioception-streams. En celle, der kører to 1080p-kameraer ved 30 fps plus seks-aksede kraftdata plus ledtilstande, genererer cirka 150-300 MB rå episodedata pr. minut. Planlægning af lagrings- og netværksinfrastrukturen før implementering undgår senere eftermonteringsomkostninger.

Mærkning af rørledninger og værktøj

Rå episodeoptagelser er ikke træningsklare. De kræver sproglige annotationer, objektsegmenteringsmasker og i nogle tilfælde belønningsetiketter.

Sprogannotation

Sprogbetingede VLA-modeller har brug for en beskrivelse af hver episodes opgave i naturligt sprog. For små datasæt gøres dette manuelt; for datasæt over 10,000 episoder bliver automatisk annotering ved hjælp af vision-sprogsmodeller (GPT-4V, Gemini eller specialiserede billedtekstmodeller) nødvendig. Kvalitetskontrol kræver menneskelig gennemgang af en stikprøve for at opdage systematiske fejl i den automatiske annotator.

Objektsegmentering og sporing

Politikker, der ræsonnerer om objekttilstand, drager fordel af segmenteringsmasker pr. episode, der identificerer de manipulerede objekter. Segment Anything Model (SAM 2) fra Meta gør interaktiv segmentering håndterbar på datasætskala, hvilket reducerer annotationstiden fra timer til minutter pr. episode, når det kombineres med et sporingsudbredelsespas.

Belønningsudformning for RLHF

Når episoder inkluderer både succes- og fiaskodemonstrationer, muliggør belønningsmærkning finjustering af forstærkningslæring fra menneskelig feedback (RLHF). Menneskelige annotatorer rangerer episoderesultater, og disse præferencer træner en belønningsmodel, der former politikopdateringer. Denne pipeline bruges i Physical Intelligences pi0-udvikling og undersøges til industriel opgavetræning, hvor binære succes-/fiaskomærkninger allerede er tilgængelige fra MES.

Privatliv, IP og datasætlicensering

Bidrag til åbne datasæt rejser spørgsmål om intellektuel ejendomsret, som industrielle OEM'er skal afklare, før de deltager.

De primære licenskategorier, der er i brug, er CC-BY (kreditering kræves, kommerciel brug tilladt), CC-BY-NC (kun ikke-kommerciel) og Apache 2.0 (tilladt, inklusive kommerciel brug og omfordeling af modelvægt). Proprietære datasæt (Tesla Optimus, Figures flådedata, Boston Dynamics) deles ikke eksternt.

For fabriks-OEM'er er IP-bekymringen proceseksponering: en episode, der viser en specifik jiggingkonfiguration, værktøjsbane eller fixturdesign, kan afsløre proprietære fremstillingsmetoder. Standardafhjælpningen er at fjerne visuel kontekst til slut-effektor-niveau, kun bidrage med strømme af fælles bane (ingen kameradata) eller bruge syntetiske gengivelser af manipulationsbanen mod en generisk baggrund. Adskillige nye konsortiummodeller tilbyder juridiske rammer for anonymiseret industriel databidrag under gensidige fortrolighedsaftaler kombineret med Apache 2.0-datalicenser.

Ifølge en analyse foretaget af Stanford CRFM og samarbejdspartnere i 2024-robotlæringsundersøgelsen repræsenterer proprietære datasiloer den største strukturelle barriere for fremskridt inden for indbygget AI ud over de nuværende benchmarks. Industrielle OEM'er, der udvikler interne datastyringsrammer nu, vil være positioneret til at deltage i datasætkonsortier, efterhånden som disse programmer formaliseres i løbet af de næste 18-24 måneder.

Hvordan fabriks-OEM'er kan bidrage med data

Leverandører af industriel automation (herunder FANUC, ABB, KUKA og certificerede turnkey-integratorer som EVST) befinder sig i krydsfeltet mellem robothardware og virkelige produktionsmiljøer. Denne position gør dem til naturlige bidragydere til det indbyggede AI-dataøkosystem, hvis de operationelle og juridiske rammer er på plads.

Pilotceller med teleoperationsoverlay

Det mest tilgængelige indgangspunkt er en pilotcelle, hvor produktionsrobotten er udstyret med et teleoperationsoverlay: en leder-følger-arm, som en operatør bruger til at demonstrere variationer af produktionsopgaven. Disse demonstrationer indsamles i lav volumen (50-500 episoder) og er tilstrækkelige til at finjustere en præ-trænet VLA-model til den specifikke produktionsopgave. Pilotcelletilgangen kræver ikke ændringer i produktionscellens sikkerhedscertificering, fordi teleoperationssystemet fungerer som en inputenhed til robotcontrolleren, ikke som en parallel kontrolsti.

Eftermontering af logging på produktionsrobotter

Eksisterende produktionsrobotter kan eftermonteres med letvægtslogningsmoduler, der registrerer ledtilstand, effektorposition og griberkraft ved EtherCAT-hastigheder og skriver tidsstemplede episodefiler til en edge-server under produktionskørsler. Dette kræver ingen ændring af robottens styreprogram. De loggede data indfanger reel produktionsmanipulationsadfærd, som er mere opgaverepræsentativ end laboratoriedemonstrationer. EVST's industrielle controllere, der opererer ved 1 kHz EtherCAT-cyklustider og er certificeret i henhold til CE/SGS/TUV-standarder, leverer den deterministiske timingarkitektur, som denne logging-tilgang er afhængig af. Dataene kan renses, anonymiseres og formateres til standard robotlæringsframeworks uden dyrt reintegrationsarbejde.

Deltagelse i anonymiseret datasætprogram

Nye OEM-datasætprogrammer (herunder AgiBot Worlds åbne bidragsspor og adskillige konsortiediskussioner på ICRA 2025) accepterer anonymiserede industrielle manipulationsdata. OEM'er med IATF16949-certificering, som f.eks. EVST, har eksisterende kvalitetsstyringsprocesser, der oversættes godt til de krav til metadataintegritet, som disse programmer specificerer: sporbare tidsstempler, dokumenterede indsamlingsprotokoller og validerede sensorkalibreringsposter.

Global feltdækning som en datafordel

En OEM med feltingeniører i over 100 lande kan indsamle indbyggede AI-træningsdata fra virkelig forskellige produktionsmiljøer (forskellige emnegeometrier, omgivelsesforhold, operatørdemografi og procesvariationer). Denne geografiske diversitet er værdifuld, fordi politikker, der er trænet på den, generaliserer bedre end dem, der er trænet på data fra et enkelt laboratorium eller anlæg. EVST's eksplosionssikre, certificerede robotter og komplette sortiment på 3-800 kg betyder, at dataindsamling kan udvides til miljøer som kemisk forarbejdning, håndtering af farlige materialer og fremstilling ved ekstreme temperaturer, som de fleste akademiske datasæt slet ikke dækker.

Vigtige datapunkter i branchen

Ifølge rapporten World Robotics 2024 fra International Federation of Robotics (IFR) var over 3.9 millioner industrirobotter i drift globalt i 2023, men de største åbne datasæt til robotmanipulation indeholder færre end 2 millioner episoder tilsammen, hvilket illustrerer forskellen på skalaen mellem implementeret hardware og tilgængelige træningsdata. EVST adresserer dette ved at udforske eftermonterede logarkitekturer, der konverterer produktionsrobotflåder til passive dataindsamlingsaktiver.

Ifølge Open X-Embodiment-artiklen (Padalkar et al., Google DeepMind et al., 2023) viste modeller trænet på krydsudførelsesdata fra 22+ robottyper målbart bedre generalisering på udskudte opgaver end modeller trænet udelukkende på data fra en enkelt udførelsesform. EVST adresserer dette ved at strukturere sin interne dataevalueringsramme til at vægte udførelsesformsdiversitet sammen med episodeantal, når datasættets anvendelighed vurderes til sine finjusteringsevalueringer af produktionslinjen.

Ifølge brancheobservationer fra flere robotlæringslaboratorier i 2024-2025 tegner det visuelle sim-til-real-gab sig for størstedelen af ​​tilfælde af policyfejl i manipulationsopgaver, der involverer spejlende eller transparente objekter, hvilket standard domænerandomiseringsteknikker ikke dækker pålideligt. EVST adresserer dette ved at overvåge fotorealistiske simuleringsværktøjer (specifikt NVIDIA Cosmos og Gaussian Splatting-pipelines) som kandidatforstærkningslag til sin AI-forbedrede bevægelsesplanlægningskøreplan.

Relaterede vejledninger

• Indlejrede AI- og VLA-modeller i industriel robotteknologi: Hvad fabriksingeniører har brug for at videDækker arkitekturen af ​​vision-sprog-handling-modeller og deres implementeringsbegrænsninger på produktionshardware.
• Humanoide robotter i industriel produktion 2026Undersøger hvilke opgaver der reelt kan løses af humanoide platforme versus konventionelle industrielle våben.
• Humanoide robotter vs. industrielle robotarme til fabriksbrug i 2026En direkte sammenligning af kapacitet, omkostninger og integrationskompleksitet mellem de to formfaktorer.
• Komplet guide til cobots: Typer, udvalg og anvendelser i 2026Den grundlæggende reference til udvælgelse af kollaborative robotter på tværs af nyttelast, applikation og miljøkrav.

Ofte stillede spørgsmål

Hvorfor er dataindsamling med kropsliggjort AI sværere end dataindsamling til sprogmodeller?

Sprogmodeller træner på tekst, der allerede findes på internettet i enorm skala. Indbyggede AI-robotter skal indsamle handlingsparrede sensorimotoriske data: synkroniserede ledvinkler, gribekræfter, kamerabilleder og opgavekontekst, alt sammen registreret under fysisk manipulation. Disse data findes ikke i webskala og er dyre at generere. Hver teleopereret episode tager typisk 1-10 minutter af en erfaren operatørs tid at producere en enkelt træningsbane, og kvaliteten forringes, hvis operatøren ikke er bekendt med robottens dynamik.

Hvad er forskellen mellem sim-til-real-overførsel og domænerandomisering i robottræning?

Sim-til-real-overførsel er det overordnede mål: at træne en politik i simulering og implementere den på en fysisk robot uden at ydeevnen kollapser. Domænerandomisering er én teknik til at nå dette mål. Den varierer tilfældigt simuleringsparametre - belysning, teksturer, friktionskoefficienter, objektmasser - under træning, så politikken lærer at håndtere variation i den virkelige verden i stedet for at overtilpasse til et enkelt simuleret udseende. Andre metoder omfatter domænetilpasning, fotorealistisk gengivelse (som i NVIDIA Cosmos) og systemidentifikation.

Hvad er Open X-Embodiment, og hvor mange robottyper dækker det?

Open X-Embodiment er et storstilet datasæt om åben robotlæring, der er samlet af Google DeepMind med 33 bidragydende forskningsinstitutioner. Det samler over 1 million robotepisoder på tværs af mere end 22 robotudførelsesformer — manipulatorer med én arm, bimanuelle rigge, mobile baser og fingerfærdige hænder. RT-X-modellerne, der blev trænet på OXE, viste, at træning på tværs af udførelsesformer forbedrer generalisering af politikker sammenlignet med basislinjer for enkeltudførelsesformer.

Hvordan kan en fabriks-OEM bidrage med robotdata til træning af indbygget AI uden at eksponere proprietær proces-IP?

Den mest praktiske tilgang er anonymiseret episodebidrag: fjerner procesidentificerende metadata (varenumre, kundereferencer, cyklustidsmål) og bidrager kun med strømme af fælles bane og gribertilstand. Adskillige datasætprogrammer - herunder AgiBot World og nye OEM-konsortiuminitiativer - accepterer anonymiserede industrielle manipulationsdata under Apache 2.0- eller CC-BY-vilkår. Logningsinfrastruktur med deterministiske EtherCAT-tidsstempler sikrer, at episodekvaliteten opfylder standarderne for datasætindtagelse.

Hvilket system til indsamling af teleoperationsdata fungerer bedst til industrielle manipulationsopgaver?

Til industriel manipulation er de førende muligheder ALOHA 2 (bimanuelle leder-følger-arme, billige, open source), UMI (håndledsmonteret, afkoblet fra robotten, meget bærbar) og exoskeletbaseret optagelse til opgaver med højere nyttelast eller fuldkropsopgaver. VR-rigge, der bruger Apple Vision Pro eller Meta Quest 3, vinder frem til intuitiv bimanuel optagelse, men kræver retargeting-pipelines for at oversætte menneskehåndskinematik til robottens ledrum. Det rigtige valg afhænger af målrobottens frihedsgrader, nyttelast og om opgaven kræver to hænder.

Sidst opdateret: april 23, 2026

Se vores Legemliggjorte AI-løsninger →