Síðast uppfært: 23. apríl 2026

Gagnasöfnun fyrir gervigreind: Fjarstýring, hermi-til-raunveruleika og iðnaðargagnasöfn árið 2026

Gögn eru flöskuhálsinn fyrir gervigreind, ekki útreikninga. Þjálfun vélmennastefnu krefst samstilltra aðgerða-ástandsstrauma sem eru einfaldlega ekki til á internetskala. Þrjár uppsprettur mæta nú þeirri eftirspurn. Mannleg fjarstýring skilar hágæða sýnikennslu á kostnað tíma rekstraraðila. Flutningur frá hermi til raunveruleika eykur fjölda atvika en skapar bil í nákvæmni. Stór opin gagnasöfn safna saman framlögum frá tugum rannsóknarstofa og kerfa.

Af hverju gögn eru flöskuhálsinn í gervigreind

Útreikningar hafa fylgt fyrirsjáanlegri stigstærðarkúrfu. GPU-klasar sem geta þjálfað milljarða breytu sjón-tungumáls-aðgerða (VLA) líkön eru aðgengilegir í dag. Það sem hefur ekki stigstærðast eru gögnin sem þessi líkön þurfa: paraðar athuganir og aðgerðir sem skráðar eru við meðhöndlun líkamlegra vélmenna, með nægilegri fjölbreytni í verkefnum og útfærslum til að framleiða stefnur sem alhæfa.

Tungumálalíkan getur tekið inn trilljón tákn af vefnum á nokkrum vikum. Gagnasöfn um vélmennastjórnun þarf að búa til þátt fyrir þátt, þar sem hvert og eitt krefst raunverulegs vélmennis, raunverulegs eða hermds umhverfis, skilgreiningar á verkefni og annað hvort mannlegs rekstraraðila eða handritaðrar sýnikennslu. Alþjóðasamband vélmennafræði (IFR) áætlar að yfir 3.9 milljónir iðnaðarvélmenna hafi verið starfrækt um allan heim árið 2024, en stærstu opnu gagnasöfnin um vélmennastjórnun innihalda um eina milljón þætti. Bilið er ekki að minnka hratt.

Áskorunin eykst þegar útfærslubilið er tekið tillit til: stefna sem þjálfuð er á 6-DoF einarma stjórntæki flyst ekki hreinlega yfir í tvíhandvirka manngerða vélmenni eða færanlega stöð með handlegg. Sérhver nýr formþáttur vélmennis endurstillir í raun gagnakröfur. Aðferðir við aðgerðakaflaskiptingu (þar sem stefna gefur frá sér margþrepa aðgerðaröð frekar en einstök skref) draga úr seinkun á ályktunum en draga ekki úr þörfinni fyrir fjölbreytta þjálfun.

Samkvæmt greininni Open X-Embodiment (Padalkar o.fl., 2023, Google DeepMind o.fl.) getur þjálfun í mismunandi útfærslum á fjölbreyttum vélmennagögnum bætt alhæfingu stefnu umfram það sem gagnasöfn fyrir einstaka útfærslur bjóða upp á. EVST fjallar um þetta með því að meta gæði gagnasafna sem hluta af innra matsferli sínu þegar valið er á hreyfiáætlun með gervigreind fyrir vélmennalínu sína með 3–800 kg þyngd. Sjá nánari upplýsingar um vélbúnaðarhlið þessarar gagnastefnu. EVST Embodied AI Solutions, þar á meðal mannlíkir vélmenni, handlagnir hendur til gagnasöfnunar, fjórfættir vélmenni og tilraunaverkvangar fyrir þróun gervigreindar.

Þrjár helstu gagnalindir: Styrkleikar og takmarkanir

Fjarstýring

Fjarstýring tekur upp sýnikennslu af sérfræðingum á vélbúnaði markvélmennisins. Rekstraraðili stýrir vélmenninu lítillega, með leiðtoga-fylgjendaörmum, sýndarveruleikagleraugum, stoðgrindarbúningum eða handfestum viðmótum, á meðan kerfið skráir hvert liðhorn, gripstöðu, kraftmælingar og myndavélarmynd samstillt. Þar sem gögnin koma frá manni sem framkvæmir raunverulegt verkefni á raunverulega vélmenninu, er samsvörunin milli aðgerða og ástands nákvæm og bilið á milli útfærslu er núll.

Takmörkunin er afköst. Fagmennir fjarstýringarmenn framleiða um það bil 5–50 þætti á klukkustund, allt eftir flækjustigi verkefnisins, og gagnagæði versna þegar rekstraraðilar þreytast. Fjarstýring nær heldur ekki að jafna sig eftir bilun án meðvitaðrar hönnunar samskiptareglna: ef rekstraraðilum tekst alltaf að ná árangri, lærir stefnan aldrei að jafna sig eftir truflanir.

Flytja úr leik í raunveruleika

Eðlisfræðihermir (MuJoCo, NVIDIA Isaac Sim, Isaac Lab, PyBullet) gera vísindamönnum kleift að búa til milljónir vélmennaþátta með nær engum jaðarkostnaði. Einn GPU-klasi getur keyrt þúsundir samsíða hermunartilvika yfir nótt. Kostnaðurinn birtist við uppsetningu: stefnur sem þjálfaðar eru í hermun bregðast oft þegar þær standa frammi fyrir raunverulegum snertiflæði, skynjarahávaða og sjónrænum breytingum sem hermirinn endurtók ekki nákvæmlega. Að brúa þetta bil milli hermunar og raunverulegs efnis er virkt rannsóknarsvið.

Netmyndbönd og óvirk athugun

Stór sjónmálslíkön sem eru forþjálfuð á netmyndböndum veita almenna skilning á sviðsmyndum sem hjálpar til við að undirbúa verkefni. pi0 arkitektúr Physical Intelligence og svipaðar VLA hönnun nota forþjálfun á myndböndum til að þjálfa upp meðhöndlunarhæfileika áður en fínstilling er gerð á vélmennasýningum. Takmörkunin er sú að myndband gefur engin aðgerðamerki: myndband sýnir hönd grípa í hlut en skráir ekki kraftinn sem beitt er eða liðhorn sambærilegs vélmennisarms. Öfug hreyfifræðilíkön geta að hluta til ályktað aðgerðir út frá myndbandi, en gervimerkingarnar sem myndast bera með sér hávaða.

Fjarstýringarbúnaður og samskiptareglur

Val á fjarskiptaviðmóti mótar bæði gagnagæði og gagnasöfnunarhraða. Hér að neðan eru kerfin sem eru virkust í rannsóknar- og viðskiptaverkefnum árin 2025–2026.

Leiðtoga-fylgjenda armar: ALOHA og farsíma ALOHA

ALOHA (A Low-Cost Open-Source Hardware System for Bimanual Teleoperation) var þróað við Stanford og notar tvo ódýra leiðtoga- og fylgjaraarmana sem stjórnandinn hreyfir handvirkt, en tveir samsvarandi fylgjararmar á vélmenninu endurtaka hreyfinguna í rauntíma. Tvíhandvirka hönnunin fangar tvíhendis verkefni sem einhendis kerfi geta ekki. Farsíma-ALOHA útvíkkar kerfið yfir á færanlegan grunn. ALOHA 2, sem kom út árið 2024, bætti nákvæmni liðmælinga og vinnuvistfræði stjórnanda. Kostnaður við vélbúnað er undir $20,000 fyrir leiðtoga-fylgja parið, sem hefur leitt til notkunar í tugum fræðilegra rannsóknarstofa.

Tengi fyrir úlnlið: UMI

Universal Manipulation Interface (UMI), frá Stanford og Columbia, festir fiskaugnamyndavél og kóðara á handfesta griptæki. Rekstraraðili sýnir verkefnið í umhverfinu á meðan griptækið skráir stöðu og gripástand endaáhrifatækisins. UMI aftengir gagnasöfnun frá vélmenninu: sýnikennslur er hægt að safna á vettvangi og síðar beina þeim að mismunandi útfærslum vélmenna. Þetta gerir það sérstaklega gagnlegt til að safna gögnum um meðferð í náttúrunni utan rannsóknarstofuumhverfis.

VR og höfuðfestir skjáir

Bæði Apple Vision Pro og Meta Quest 3 eru til skoðunar sem fjarstýringarviðmót. Aðdráttaraflið er tvívirk sex-DoF handarrakning með innsæi í stjórn notanda. Verkfræðilega áskorunin er endurmarkvissun: Kvikmyndafræði mannshenda (fimm fingur, 27 liðir) verður að kortleggjast skipunum frá endaáhrifavélum vélmennisins (venjulega griparar með 1-DoF eða handlagnir hendur með 12–16 DoF). Án vandlegrar endurmarkvissrar endurmarkvissingar innihalda upptökur af sýnikennslunni ásetning notanda en ekki beint framkvæmanlegar aðgerðir vélmennisins.

Ytri stoðgrind og heillíkamsfanga

Fyrir mannlíkamsvélmenni sem þurfa hreyfigögn um allan líkamann (þar á meðal hreyfingu ásamt meðhöndlun) fanga ytri stoðgrindarbúningar hreyfifræði alls líkamans við sýnatökutíðni yfir 100 Hz. AgiBot notar ytri stoðgrindarbyggða aðferð til að safna gögnum um meðhöndlun mannlíkams fyrir AgiBot World gagnasafnið sitt. Fourier GR-1 fjarstýring byggir á sama hátt á klæðanlegum handtökubúnaði sem er sniðinn að liðamótum vélmennisins.

Myndræn og stórfelld atvinnufloti

Figure AI rekur einkaleyfisbundinn flota af fjarstýrðum vélmennum í BMW-framleiðslu sinni. Gagnasveifluhjólslíkanið, þar sem hvert vélmenni sem er notað safnar nýjum þáttum sem tengjast þjálfun, er einnig lykilatriði í þróunarstefnu Tesla Optimus. Þessi lokuðu kerfi safna iðnaðargögnum á hraða sem opin fræðileg gagnasöfn geta ekki keppt við.

Samanburður á fjarskiptakerfum

Athugið: Tölur um afköst eru um það bil sem fengnar eru úr birtum rannsóknum og frásögnum vísindamanna. Hæfni einstakra starfsmanna og flækjustig verkefna hafa veruleg áhrif á niðurstöður.

Opinber gagnasöfn: Opið X-útfærsla, DROID, BridgeData, RoboSet, RH20T, AgiBot World

Vistkerfi opins gagnasafns hefur stækkað hratt frá árinu 2022. Hér að neðan er yfirlit yfir mest vitnaða söfnin frá og með byrjun árs 2026.

Opin X-útfærsla (OXE) og RT-X

OXE, sem Google DeepMind setti saman ásamt 33 þátttakendum, safnar saman yfir 1 milljón þáttum frá meira en 22 gerðum vélmenna. Tengd RT-X líkön sýndu að þjálfun á sameinuðum gögnum frá mismunandi útfærslum skilar betri árangri en grunnlínur fyrir einstaka útfærslur miðað við alhæfingarviðmið. OXE er gefið út undir blöndu af CC-BY og Apache 2.0 leyfum, allt eftir því hvaða stofnun leggur fram efnið. Aðgangur er í gegnum RT-X vefsíðuna og HuggingFace.

DRÓID

DROID (Distributed Robot Interaction Dataset) var safnað í 13 rannsóknarstofum í Norður-Ameríku með því að nota stöðlað Franka Panda kerfi með fjarstýringarviðmóti í ALOHA-stíl. Það inniheldur um það bil 76,000 atburði af fjölbreyttum verkefnum sem tengjast heimilisnotkun og notkun á borðum. Staðlaður vélbúnaður á öllum stöðum gerir DROID að einu hreinasta stórfellda gagnasafni um hegðunarklóningu og tilraunir með RLHF.

BridgeData útgáfa 2

BridgeData V2, frá UC Berkeley og Stanford, inniheldur um það bil 60,000 sýnikennslu á fjölbreyttum verkefnum sem tengjast borðvinnslu. Það notar WidowX-arm og er þekkt fyrir fjölbreytni verkefna (yfir 70 mismunandi verkefnaflokkar), sem gerir það að algengum fínstillingargrunni fyrir VLA-líkön. Gefið út undir CC-BY 4.0.

RoboSet

RoboSet, frá IIT Delhi og samstarfsaðilum, býður upp á gögn um fjölþætta eldhússtjórnun sem safnað er með Franka Panda. Það inniheldur RGB-D athuganir og tungumálaskýringar fyrir hvert atriði. RoboSet er sérstaklega hannað til að styðja við tungumálaskilyrt mat á stefnumótun, sem gerir það gagnlegt til að prófa alhæfingar sem byggja á leiðbeiningum.

RH20T

RH20T (Robot-Human 20 Tasks) er stórt gagnasafn sem inniheldur samstillta stöðuskynjun vélmenna, RGB myndbands-, dýptar-, snerti- og hljóðstrauma. Fjölbreytileikinn gerir RH20T að viðmiðunarefni fyrir vísindamenn sem vinna að stefnumótun sem krefst snertiskynjunar, ekki bara sjónrænnar athugunar.

AgiBot World

AgiBot World er gagnasafn um meðferð á manngerðum, framleitt af AgiBot, kínversku vélfærafræðifyrirtæki, sem notar gagnasöfnunarkerfi sitt sem byggir á ytri stoðgrind. Það einbeitir sér að verkefnum sem tengjast meðferð á öllum líkamanum og er eitt af fyrstu stóru gagnasöfnunum sem miða sérstaklega að manngerðum á iðnaðarskala. AgiBot World er aðgengilegt undir opnu rannsóknarleyfi til notkunar án viðskipta.

Tilvísun í opinbert gagnasafn fyrir gervigreind

Fjöldi þátta og leyfisskilmálar eru fengnir úr gagnasöfnum og opinberum gagnasöfnum frá og með byrjun árs 2026. Staðfestið gildandi skilmála fyrir notkun.

Sim-to-Real stafla: Isaac Sim, MuJoCo, Cosmos og slembival fyrir lén

Hermun mælir gagnaöflun. Hagnýta spurningin er hvaða hermi á að nota og hvernig á að brúa bilið aftur til efnislegs vélbúnaðar.

MuJoCo

MuJoCo (Multi-Joint dynamics with Contact) er enn staðallinn fyrir rannsóknir á snertistýrðum stjórnunartruflunum. Eðlisfræðivélin hennar meðhöndlar stífa líkamshreyfifræði, mjúkar snertingar og sinstýrð kerfi með reiknivirkni sem gerir kleift að framkvæma þúsundir samsíða þjálfunarþátta á einni GPU-klasa. Útgáfan með opnum hugbúnaði undir Google DeepMind árið 2022 flýtti verulega fyrir notkun. Flestar klónun fræðilegrar hegðunar og RLHF viðmiðanir nota MuJoCo umhverfi.

NVIDIA Isaac Sim og Isaac Lab

Isaac Sim keyrir á Omniverse kerfi NVIDIA og býður upp á GPU-hraðaða eðlisfræði með hágæða birtingu. Isaac Lab (áður OmniIsaacGymEnvs) er styrkingarnámsrammi sem byggir á Isaac Sim, fínstilltur fyrir mikla samsíða stefnuþjálfun. Lykilkostur er ljósraunsæ birting: Slóðarrakaðar sjónrænar myndir Isaac Sim minnka bilið á milli sjónrænna sviða samanborið við einfaldaðar birtingarmyndir MuJoCo, sem skiptir máli fyrir þjálfun á sjónrænum stefnum.

NVIDIA Cosmos

Cosmos er grunnlíkanpallur NVIDIA, sem var kynntur seint á árinu 2024. Í stað þess að herma eftir eðlisfræði út frá grunnreglum, býr Cosmos til ljósmyndaraugnsæ myndbönd af samskiptum vélmenna og hluta úr texta- eða myndleiðbeiningum, sem eru þjálfuð á stórum myndbandsgögnum. Loforðið er að búa til tilbúin þjálfunargögn sem líta nógu raunveruleg út til að brúa sjónrænt bilið milli hermunar og raunverulegs efnis án handgerðrar slembivals í mismunandi sviðum. Frá og með byrjun árs 2026 eru Cosmos til skoðunar hjá nokkrum rannsóknarstofum fyrir vélmennanám sem gagnaaukningarlag ofan á raunverulegar sýnikennslu.

Gaussísk splatting og endurgerð sviðsmyndar

3D Gauss-splatting endurskapar ljósmyndarlega senu úr litlu safni af RGB-myndum á nokkrum mínútum frekar en klukkustundum. Fyrir vélmennaþjálfun þýðir þetta að rannsóknarstofa getur skannað nýtt vinnuumhverfi, endurskapað Gauss-senu og búið til ný sjónarhorn eða hlutastillingar til að auka gögn, án þess að þurfa eðlisfræðihermi yfir höfuð. Þessi aðferð er verið að samþætta í nokkrar hermunar-til-raunveruleikaleiðir sem ódýrt slembivalstæki fyrir sjónræn svið.

Slembival léna og kerfisauðkenning

Slembival í léni raðar af handahófi hermunarbreytum (áferð hluta, birtuskilyrði, núningstuðlum, stífleika liða vélmennisins) meðan á þjálfun stendur, sem neyðir stefnuna til að vera sveigjanleg gagnvart breytingum frekar en að aðlaga hana að einni hermdri stillingu. Kerfisauðkenning notar viðbótarnálgun: hún mælir raunverulega eðlisfræðilega breytur vélmennisins (massa, tregðu, liðteygju) nákvæmlega og notar þessi gildi í hermun til að lágmarka bilið fyrir slembiröðun.

Námskrárnám notar slembival smám saman. Stefna þjálfast fyrst í þröngri, hreinni hermun og mætir síðan smám saman meiri breytileika eftir því sem frammistaða batnar. Þessi stigskipta aðferð nær oft hraðar samhengi en að beita fullri slembivali frá upphafi.

Gagnagæði vs. magn málamiðlanir

Meiri gögn eru ekki sjálfkrafa betri. Samsetning gagnasafnsins mótar hvað þjálfuð stefna getur og getur ekki gert.

Fjölbreytni verkefna skiptir meira máli en fjöldi þátta þegar markmiðið er almenn stefna. Gagnasafn með 100,000 þáttum af sama „pick-and-place“ verkefni skapar sérfræðing. Gagnasafn með 10,000 þáttum sem dreifast yfir 50 gerðir verkefna getur skapað stefnu sem færist yfir á ný verkefni eftir nokkrar fínstillingar.

Fjölbreytni í útfærslum skiptir máli fyrir flutning milli vélmenna. Gildi OXE felst einmitt í því að það nær yfir handleggi, færanleg pöll og handlagnir hendur. Stefna sem er forþjálfuð á OXE og fínstillt á nýjum vélmenni skilar yfirleitt betri árangri en stefna sem er þjálfuð frá grunni eingöngu á gögnum sama nýja vélmennisins, sem er niðurstaða sem er samhljóða í mörgum birtum rannsóknum.

Lengd þátta og endurheimt eftir bilun eru vanmetin. Gagnasöfn sem hæfir fjarstýringarmenn safna, sem sjaldan bila, skapa stefnur sem vita ekki hvernig á að jafna sig eftir truflanir. Að vísvitandi innspýta bilunarástandi og sýna fram á endurheimt eykur verulega seiglu í raunveruleikanum. Sumar rannsóknarstofur nota andstæðar truflanir í fjarstýringarlotum til að búa til þessi gögn.

Samkvæmt athugunum frá mörgum rannsóknarstofum um vélmennanám á árunum 2024–2025, lækkar jaðargildi viðbótarþátta skarpt þegar gagnasafn nær yfir verkefni með um það bil 500–1,000 sýnikennslum, en jaðargildi nýrra verkefnategunda helst hátt, allt að þúsundum ólíkra verkefna. EVST tekur þetta með í reikninginn þegar gagnagrunnar eru skipulagðir í tilraunaverkefnum og forgangsraðar breidd verkefna fram yfir endurtekna uppsöfnun þátta.

Atriði sem þarf að hafa í huga varðandi gagnaöflun á iðnaðarstigi

Gagnasöfnun í verksmiðjum setur kröfur sem fjarskiptakerfi í akademískum skólum uppfylla yfirleitt ekki.

Ákveðin skráning er fyrsta skilyrðið. Í framleiðslufrumu verður tímastimpillinn á sameiginlegum kóðara að vera rekjanlegur til veggklukkuviðmiðunar með nákvæmni undir millisekúndum. EtherCAT 1 kHz reitbusstýring, sem er staðalbúnaður í iðnaðarvélmennum (þar á meðal þeim sem eru í línu EVST), veitir grunninn að ákveðinni tímasetningu sem gerir samstillingu margra skynjara auðvelda. Kerfi sem keyrir á 1 kHz býr til 1,000 sameiginleg ástandssýni á sekúndu á hverjum ás; að samræma þann straum við myndavélarramma við 30–60 ramma á sekúndu og kraft-toggögn við 500 Hz krefst agaðrar tímastimplunararkitektúrs fyrir vélbúnað, ekki hugbúnaðargeymslu.

Öryggismerkingar eru nauðsynlegar þegar atvik fela í sér atvik sem eru næstum óhöpp, neyðarstöðvunarvirkjun eða brot á aflmörkum. Þessir merkingar eru nauðsynlegir bæði til að uppfylla kröfur og fyrir þjálfunarstefnu sem skilur öryggistengdar aðstæður. Iðnaðarstýringar sem skrá orsakir neyðarstöðva og fara yfir togmörk í liðum á vélbúnaðarstigi gera þessa merkingu auðveldari.

Skýringar á hringrásartíma tengja saman þætti vélmenna við framleiðsluniðurstöður. Vitneskjan um að þáttur 4,712 lauk samsetningarverkefninu á 8.3 sekúndum með núll gæðamerkjum tengir námsgögn vélmenna við MES kerfið og gerir kleift að velja hágæða sýnikennslu fyrir þjálfun.

MES-tengd lýsigögn eru brúin. Þegar gagnaskráningarkerfi vélmenni skrifar þáttaskrár með MES verkkenni, hlutategundum og gæðaniðurstöðum tengdum, er hægt að sía gagnasafnið sem myndast forritunarlega. Þátta sem tengjast endurvinnslu, úrgangi eða yfirskrifun rekstraraðila er hægt að útiloka eða meðhöndla sem bilunarsýni.

Í reynd, þegar verið er að endurbæta tilraunafrumu fyrir gagnaöflun, er algengasta flöskuhálsinn ekki skráningargeta vélmennisins heldur netkerfisarkitektúr frumunnar. Iðnaðar Ethernet-hlutar sem voru hannaðir fyrir samskipti milli PLC og vélmenni á hraða undir kHz eru ekki alltaf að stærð fyrir bandvídd samfellds myndbands úr mörgum myndavélum ásamt stöðuskynjunarstraumum. Fruma sem keyrir tvær 1080p myndavélar á 30 fps ásamt sex-ása kraftgögnum ásamt liðastöðum býr til um það bil 150–300 MB á mínútu af hráum þáttargögnum. Með því að skipuleggja geymslu og netinnviði fyrir uppsetningu kemur í veg fyrir kostnað við endurbætur síðar.

Merkingar á leiðslum og verkfærum

Upptökur af hráum þáttum eru ekki tilbúnar til þjálfunar. Þær þurfa tungumálaskýringar, grímur fyrir hlutaskiptingu og í sumum tilfellum umbunarmerki.

Tungumálaskýringar

Tungumálaskilyrt VLA líkön þurfa lýsingu á verkefni hvers þáttar á náttúrulegu máli. Fyrir lítil gagnasöfn er þetta gert handvirkt; fyrir gagnasöfn yfir 10,000 þætti verður sjálfvirk skýring með sjónmálslíkönum (GPT-4V, Gemini eða sérhæfðum textalíkönum) nauðsynleg. Gæðaeftirlit krefst mannlegrar yfirferðar á úrtaki til að greina kerfisbundnar villur í sjálfvirku skýringunum.

Hlutaskipting og rakning

Stefnumál sem fjalla um stöðu hluta njóta góðs af segmenteringsgrímum fyrir hvern þátt sem bera kennsl á hlutina sem eru meðhöndlaðir. Segment Anything Model (SAM 2) frá Meta gerir gagnvirka segmenteringu meðfærilega á gagnasafnsskala og dregur úr skýringartíma úr klukkustundum í mínútur á þátt þegar það er notað ásamt rakningarútbreiðsluferli.

Verðlaunamótun fyrir RLHF

Þegar þættir innihalda bæði sýnikennslu á árangri og mistökum, gerir umbunarmerkingar kleift að styrkja nám með fínstillingu á mannlegri endurgjöf (RLHF). Mannlegir skýringaraðilar raða niðurstöðum þátta og þessar óskir þjálfa umbunarlíkan sem mótar uppfærslur á stefnu. Þessi leiðsla er notuð í pi0 þróun Physical Intelligence og er verið að skoða fyrir iðnaðarþjálfun verkefna þar sem tvíundamerki fyrir árangur/mistaka eru þegar tiltæk frá MES.

Persónuvernd, hugverkaréttindi og gagnasafnsleyfisveitingar

Framlög til opins gagnasafns vekja upp spurningar um hugverkarétt sem iðnaðarframleiðendur þurfa að svara áður en þeir taka þátt.

Helstu leyfisflokkarnir sem eru í notkun eru CC-BY (tilvísun krafist, notkun í viðskiptalegum tilgangi leyfð), CC-BY-NC (eingöngu í viðskiptalegum tilgangi) og Apache 2.0 (heimild, þar á meðal notkun í viðskiptalegum tilgangi og endurdreifing þyngdar líkana). Einkaleyfisbundin gagnasöfn (Tesla Optimus, flotagögn Figure, Boston Dynamics) eru ekki deilt utanaðkomandi.

Fyrir framleiðendur verksmiðjum snýst áhyggjuefni varðandi hugverkaréttindi um útsetningu fyrir ferlum: atburður sem sýnir ákveðna jiggingarstillingu, verkfæraslóð eða hönnun festinga getur leitt í ljós sérhannaðar framleiðsluaðferðir. Staðlaðar lausnir eru að fjarlægja sjónrænt samhengi niður á endaáhrifavaldsstig, leggja aðeins til sameiginlegar brautarstrauma (engin myndavélargögn) eða nota tilbúnar myndir af meðferðarferlinum á almennum bakgrunni. Nokkrar nýjar samstarfslíkön bjóða upp á lagalegan ramma fyrir nafnlaus iðnaðargögn sem framlögð eru samkvæmt gagnkvæmum trúnaðarsamningum ásamt Apache 2.0 gagnaleyfum.

Samkvæmt greiningu Stanford CRFM og samstarfsaðila í vélmennanámskönnuninni árið 2024 eru einkaleyfisbundin gagnageymslur stærsta einstaka uppbyggingarhindrunin fyrir framförum í gervigreind umfram núverandi viðmið. Iðnaðarframleiðendur sem þróa innri gagnastjórnunarramma núna verða í stakk búnir til að taka þátt í gagnasafnssamstarfi þegar þessi verkefni verða formleg á næstu 18–24 mánuðum.

Hvernig verksmiðjuframleiðendur geta lagt fram gögn

Birgjar iðnaðarsjálfvirkni (þar á meðal FANUC, ABB, KUKA og vottaðir heildarlausnir eins og EVST) eru staðsettir á mótum vélbúnaðar og raunverulegs framleiðsluumhverfis. Þessi staða gerir þá að náttúrulegum framlagi til vistkerfis gervigreindargagna ef rekstrarlegt og lagalegt umgjörð er til staðar.

Flugstöðvar með fjarstýringaryfirlagi

Aðgengilegasti aðgangsstaðurinn er tilraunaklefi þar sem framleiðsluvélmennið er útbúið með fjarstýringaryfirlagi: leiðtoga-fylgiarm sem rekstraraðili notar til að sýna fram á afbrigði af framleiðsluverkefninu. Þessar sýnikennslu eru safnað í litlu magni (50–500 þættir) og nægja til að fínstilla fyrirfram þjálfaða VLA-líkan að tilteknu framleiðsluverkefni. Aðferð tilraunaklefans krefst ekki breytinga á öryggisvottun framleiðsluklefans þar sem fjarstýringarkerfið virkar sem inntakstæki fyrir vélmennastýringuna, ekki sem samsíða stjórnleið.

Endurbætt skráning á framleiðsluvélmenni

Hægt er að útbúa núverandi framleiðsluvélmenni með léttum skráningareiningum sem skrá stöðu liða, stöðu endaáhrifavalds og gripkraft á EtherCAT-hraða og skrifa tímastimplaðar skrár á jaðarþjón meðan á framleiðslu stendur. Þetta krefst engra breytinga á stjórnforriti vélmennisins. Skráð gögn fanga raunverulega hegðun framleiðslustjórnunar, sem er dæmigerðari fyrir verkefni en sýnikennsla í rannsóknarstofu. Iðnaðarstýringar EVST, sem starfa á 1 kHz EtherCAT hringrásartíma og eru vottaðar samkvæmt CE/SGS/TUV stöðlum, bjóða upp á þá ákvarðandi tímasetningararkitektúr sem þessi skráningaraðferð byggir á. Hægt er að hreinsa gögnin, gera þau nafnlaus og sniða þau fyrir hefðbundið námsramma vélmenna án dýrrar endursamþættingarvinnu.

Þátttaka í nafnlausum gagnasöfnum

Ný forrit fyrir gagnasafn frá framleiðendum (þar á meðal opna framlagsleið AgiBot World og nokkrar umræður um samstarf á ICRA 2025) taka við afpersuðum gögnum um iðnaðarstjórnun. Framleiðendur með IATF16949 vottun, eins og EVST, hafa núverandi gæðastjórnunarferli sem þýða vel kröfur um lýsigögn sem þessi forrit tilgreina: rekjanlegar tímastimplar, skjalfestar söfnunarreglur og staðfestar kvörðunarskrár fyrir skynjara.

Alþjóðleg umfjöllun um svæðið sem gagnakostur

Framleiðandi með verkfræðinga á vettvangi í yfir 100 löndum getur safnað gögnum um þjálfun í gervigreind frá ólíkum framleiðsluumhverfum (mismunandi rúmfræði vinnuhluta, umhverfisskilyrði, lýðfræði notenda og breytileiki ferla). Þessi landfræðilega fjölbreytni er verðmæt vegna þess að stefnur sem eru þjálfaðar út frá henni alhæfa betur en þær sem þjálfaðar eru út frá gögnum frá einni rannsóknarstofu eða aðstöðu. Sprengjuheldu vottuðu vélmennin frá EVST og breitt svið 3–800 kg þýða að gagnasöfnun getur náð til umhverfa eins og efnavinnslu, meðhöndlunar hættulegra efna og framleiðslu við öfgakennd hitastig sem flest fræðileg gagnasöfn ná alls ekki yfir.

Lykilgögn um atvinnugreinina

Samkvæmt skýrslu Alþjóðasambands vélfærafræði (IFR) um World Robotics 2024 voru yfir 3.9 milljónir iðnaðarvélmenna í notkun um allan heim árið 2023, en stærstu opnu gagnasöfnin um vélmennastjórnun innihalda færri en 2 milljónir kerfa samanlagt, sem sýnir fram á stærðarmuninn á milli uppsetts vélbúnaðar og tiltækra þjálfunargagna. EVST bregst við þessu með því að kanna endurbættar skráningararkitektúr sem breytir flota framleiðsluvélmenna í óvirkar gagnasöfnunareignir.

Samkvæmt greininni Open X-Embodiment (Padalkar o.fl., Google DeepMind o.fl., 2023) sýndu líkön sem þjálfuð voru á gögnum úr krossútfærslum frá 22+ vélmennategundum mælanlega betri alhæfingu á verkefnum sem ekki voru framkvæmd heldur en líkön sem þjálfuð voru eingöngu á gögnum úr einni útfærslu. EVST bregst við þessu með því að skipuleggja innra gagnamatsramma sinn til að vega fjölbreytileika útfærslu ásamt fjölda atvika þegar notagildi gagnasafns er metið fyrir fínstillingarmat á framleiðslulínum.

Samkvæmt athugunum frá mörgum rannsóknarstofum í vélmennanámi á árunum 2024–2025, skýrir sjónrænt eftirlíkingarbil meirihluta tilfella af stefnubresti í meðferðarverkefnum sem fela í sér spegilmyndandi eða gegnsæja hluti, sem venjulegar slembivalsaðferðir fyrir lén ná ekki áreiðanlega yfir. EVST bregst við þessu með því að fylgjast með ljósraunlegum hermunartólum (sérstaklega NVIDIA Cosmos og Gaussian Splatting leiðslum) sem mögulegum viðbótarlögum fyrir gervigreindarbætta hreyfiáætlunaráætlun sína.

Tengdar leiðbeiningar

• Innbyggð gervigreind og VLA líkön í iðnaðarvélmennafræði: Það sem verksmiðjuverkfræðingar þurfa að vitaFjallar um arkitektúr sjón-máls-aðgerða líkana og takmarkanir þeirra á dreifingu á framleiðsluvélbúnaði.
• Mannlíkir vélmenni í iðnaðarframleiðslu árið 2026Kannar hvaða verkefni eru raunverulega leyst með mannlegum kerfum samanborið við hefðbundin iðnaðarvopn.
• Mannlíkir vélmenni samanborið við iðnaðarvélmenni til notkunar í verksmiðjum árið 2026Bein samanburður á getu, kostnaði og flækjustigi samþættingar milli formþáttanna tveggja.
• Heildarleiðbeiningar um samvinnuvéla: Tegundir, val og notkun árið 2026Grunnviðmiðið fyrir samvinnuvélmennaval sem tengist álagi, notkun og umhverfiskröfum.

Algengar spurningar

Hvers vegna er erfiðara að safna gögnum úr innbyggðri gervigreind en fyrir tungumálamódel?

Tungumálalíkön þjálfast á texta sem þegar er til á netinu í gríðarlegum mæli. Innbyggð gervigreindarvélmenni verða að safna skynjunar- og hreyfigögnum sem tengjast aðgerðum: samstilltum liðhornum, gripkrafti, myndavélarmyndum og verkefnasamhengi, allt skráð við líkamlega meðhöndlun. Þessi gögn eru ekki til á vefstærð og eru dýr í framleiðslu. Hver fjarstýrð atburður tekur venjulega 1–10 mínútur af tíma reynds notanda til að framleiða eina þjálfunarbraut og gæðin versna ef notandinn er ókunnugur gangverki vélmennisins.

Hver er munurinn á flutningi frá sim-til-raunveruleika og slembivali léna í vélmennaþjálfun?

Flutningur úr hermun í raunveruleika er hið almenna markmið: að þjálfa stefnu í hermun og setja hana upp á raunverulegum vélmenni án þess að afköst hrynji. Slembival í léni er ein aðferð til að ná því markmiði. Hún breytir hermunarbreytum af handahófi - lýsingu, áferð, núningstuðlum, massa hlutar - meðan á þjálfun stendur þannig að stefnan lærir að takast á við raunverulegar breytingar frekar en að aðlaga þær að einu hermdu útliti. Aðrar aðferðir eru meðal annars aðlögun léns, ljósraunsæ birting (eins og í NVIDIA Cosmos) og kerfisauðkenning.

Hvað er Open X-Embodiment og hversu margar gerðir vélmenna nær það yfir?

Open X-Embodiment er stórt gagnasafn um opið vélmennanám sem Google DeepMind hefur sett saman ásamt 33 rannsóknarstofnunum. Það safnar saman yfir 1 milljón vélmennaþáttum í meira en 22 vélmennaútfærslum — einhendis vélmennum, tvíhendis vélmennaborurum, færanlegum undirstöðum og handlagnishöndum. RT-X líkönin sem þjálfuð voru á OXE sýndu fram á að þjálfun á milli útfærslna bætir alhæfingu stefnu samanborið við grunnlínur fyrir eina útfærslu.

Hvernig getur framleiðandi í verksmiðju lagt fram gögn frá vélmennum til þjálfunar á gervigreind án þess að afhjúpa einkaleyfisverndað ferli?

Hagnýtasta aðferðin er nafnlaus þáttaframlag: fjarlægja lýsigögn sem auðkenna ferli (hlutanúmer, tilvísanir viðskiptavina, markmið um hringrásartíma) og leggja aðeins til sameiginlegar brautir og gripástandsstrauma. Nokkur gagnasafnsforrit — þar á meðal AgiBot World og ný OEM-samstarfsverkefni — taka við af-auðkenndum iðnaðarvinnslugögnum samkvæmt Apache 2.0 eða CC-BY skilmálum. Skráningarinnviðir með ákveðnum EtherCAT tímastimplum tryggja að gæði þátta uppfylli staðla um gagnainntöku.

Hvaða kerfi til gagnasöfnunar frá fjarstýringu virkar best fyrir iðnaðarvinnsluverkefni?

Fyrir iðnaðarstjórnun eru helstu kostirnir ALOHA 2 (tvíhandvirkir leiðtoga-fylgiarmar, ódýrir, opnir hugbúnaður), UMI (úlnliðsfestir, aftengdir frá vélmenninu, mjög flytjanlegir) og myndgreining byggð á ytri stoðgrind fyrir verkefni með meiri burðargetu eða fyrir verkefni sem taka allan líkamann. Sýndarveruleikatæki sem nota Apple Vision Pro eða Meta Quest 3 eru að verða vinsæl fyrir innsæi tvíhandvirka myndgreiningu en þurfa endurmarkvissa leiðslur til að þýða hreyfifræði mannshöndanna yfir á liðrými vélmennisins. Rétt val fer eftir frelsisgráðum markvélmennisins, burðargetu og hvort verkefnið krefst tveggja handa.

Síðast uppfært: 23. apríl 2026

sjá okkar Lausnir með gervigreind →