နောက်ဆုံးပြုပြင်မွမ်းမံခြင်း - Aprilပြီလ 23၊ 2026

၂၀၂၆ ခုနှစ်တွင် ပေါင်းစပ် AI အတွက် အချက်အလက်စုဆောင်းခြင်း- အဝေးမှလည်ပတ်မှု၊ Sim-to-Real နှင့် စက်မှုလုပ်ငန်းသုံးဒေတာအစုံများ

အချက်အလက်သည် တွက်ချက်မှုမဟုတ်ဘဲ ပေါင်းစပ်ထားသော AI အတွက် အတားအဆီးဖြစ်သည်။ စက်ရုပ်မူဝါဒကို လေ့ကျင့်ပေးရန်အတွက် အင်တာနက်အတိုင်းအတာဖြင့် မရှိသော ထပ်တူပြုထားသော action-state stream များ လိုအပ်သည်။ လက်ရှိတွင် အရင်းအမြစ်သုံးခုသည် ထိုဝယ်လိုအားကို ဖြည့်ဆည်းပေးသည်။ လူသား အဝေးထိန်းစနစ်သည် အော်ပရေတာအချိန်ကုန်ခံပြီး အရည်အသွေးမြင့် သရုပ်ပြမှုများကို ရရှိစေပါသည်။ Sim-to-real transfer သည် ဇာတ်လမ်းတွဲအရေအတွက်ကို ချိန်ညှိပေးသော်လည်း fidelity gap ကို ဖြစ်ပေါ်စေပါသည်။ ကြီးမားသော open dataset များသည် ဓာတ်ခွဲခန်းများနှင့် ပလက်ဖောင်းများစွာမှ ပံ့ပိုးကူညီမှုများကို စုစည်းပေးသည်။

ဘာကြောင့် Data ဟာ AI ရဲ့ အားနည်းချက်တစ်ခုဖြစ်နေတာလဲ

Compute သည် ခန့်မှန်းနိုင်သော scaling curve ကို လိုက်နာခဲ့သည်။ ဘီလီယံ-parameter vision-language-action (VLA) မော်ဒယ်များကို လေ့ကျင့်ပေးနိုင်သော GPU cluster များကို ယနေ့ခေတ်တွင် စီးပွားဖြစ်ရရှိနိုင်ပါသည်။ scaling မလုပ်ရသေးသည်မှာ ထိုမော်ဒယ်များ လိုအပ်သော data ဖြစ်သည်- ရုပ်ပိုင်းဆိုင်ရာ robot ကိုင်တွယ်မှုအတွင်း မှတ်တမ်းတင်ထားသော တွဲဖက်လေ့လာတွေ့ရှိချက်များနှင့် လုပ်ဆောင်ချက်များ၊ ယေဘုယျမူဝါဒများ ထုတ်လုပ်ရန် လုံလောက်သော task နှင့် embodiment diversity ရှိသည်။

ဘာသာစကားမော်ဒယ်တစ်ခုသည် ဝက်ဘ်မှ တိုကင်တစ်ထရီလီယံကို ရက်သတ္တပတ်အနည်းငယ်အတွင်း စုပ်ယူနိုင်သည်။ စက်ရုပ်ကိုင်တွယ်မှုဒေတာစုကို အပိုင်းတစ်ပိုင်းချင်းစီ ထုတ်လုပ်ရမည်ဖြစ်ပြီး တစ်ခုချင်းစီတွင် ရုပ်ပိုင်းဆိုင်ရာစက်ရုပ်၊ တကယ့် သို့မဟုတ် တုပထားသောပတ်ဝန်းကျင်၊ လုပ်ငန်းတာဝန်အဓိပ္ပာယ်ဖွင့်ဆိုချက်နှင့် လူသားအော်ပရေတာ သို့မဟုတ် ဇာတ်ညွှန်းရေးသားထားသော သရုပ်ပြမှုတစ်ခု လိုအပ်သည်။ အပြည်ပြည်ဆိုင်ရာ စက်ရုပ်ဖက်ဒရေးရှင်း (IFR) မှ ၂၀၂၄ ခုနှစ်တွင် စက်မှုလုပ်ငန်းသုံးစက်ရုပ်ပေါင်း ၃.၉ သန်းကျော်သည် ကမ္ဘာတစ်ဝှမ်းတွင် လည်ပတ်နေခဲ့သည်ဟု ခန့်မှန်းထားသော်လည်း အကြီးဆုံး open manipulation dataset များတွင် အပိုင်းတစ်သန်းခန့် ပါဝင်သည်။ ကွာဟချက်သည် မြန်မြန်ဆန်ဆန် ကျဉ်းမြောင်းမသွားပါ။

ပုံစံကွာဟချက်ကို ထည့်သွင်းစဉ်းစားသောအခါ စိန်ခေါ်မှုသည် ပိုမိုဆိုးရွားလာသည်- 6-DoF single-arm manipulator တွင် လေ့ကျင့်ထားသော မူဝါဒသည် bimanual humanoid သို့မဟုတ် arm ပါသည့် မိုဘိုင်းအခြေစိုက်စခန်းသို့ သန့်ရှင်းစွာ မလွှဲပြောင်းနိုင်ပါ။ စက်ရုပ်ပုံစံ factor အသစ်တိုင်းသည် ဒေတာလိုအပ်ချက်များကို ထိရောက်စွာ ပြန်လည်သတ်မှတ်ပေးသည်။ Action chunking ချဉ်းကပ်မှုများ (မူဝါဒတစ်ခုသည် single steps များအစား multi-step action sequences များကို output ထုတ်ပေးခြင်း) သည် inference latency ကို လျှော့ချပေးသော်လည်း မတူညီသော လေ့ကျင့်ရေးလွှမ်းခြုံမှုအတွက် လိုအပ်ချက်ကို မလျှော့ချပါ။

Open X-Embodiment စာတမ်း (Padalkar et al., 2023, Google DeepMind et al.) အရ၊ မတူညီသော စက်ရုပ်ဒေတာများအပေါ် cross-embodiment လေ့ကျင့်မှုသည် single-embodiment datasets များက ပေးသည်ထက် မူဝါဒယေဘုယျပြုလုပ်ခြင်းကို တိုးတက်ကောင်းမွန်စေနိုင်သည်။ EVST သည် ၎င်း၏ full-range 3–800 kg စက်ရုပ်လိုင်းအတွက် AI-augmented motion planning ကို ရွေးချယ်သောအခါ ၎င်း၏ internal assessment လုပ်ငန်းစဉ်၏ တစ်စိတ်တစ်ပိုင်းအဖြစ် cross-embodiment dataset အရည်အသွေးကို အကဲဖြတ်ခြင်းဖြင့် ၎င်းကို ဖြေရှင်းသည်။ ဤဒေတာဗျူဟာ၏ hardware ဘက်အတွက်၊ ကြည့်ပါ EVST ပေါင်းစပ် AI ဖြေရှင်းချက်များလူသားပုံသဏ္ဌာန် စက်ရုပ်များ၊ သွက်လက်သော အချက်အလက်စုဆောင်းသည့် လက်များ၊ ခြေလေးချောင်းပါ စက်ရုပ်များနှင့် ပါဝင်သော AI ဖွံ့ဖြိုးတိုးတက်မှုအတွက် စမ်းသပ်ပလက်ဖောင်းများ ပါဝင်သည်။

အဓိကဒေတာရင်းမြစ်သုံးခု- အားသာချက်များနှင့် ကန့်သတ်ချက်များ

တယ်လီလုပ်ငန်း

အဝေးထိန်းစနစ်သည် ပစ်မှတ်ရိုဘော့ဟာ့ဒ်ဝဲပေါ်တွင် ကျွမ်းကျင်သူအရည်အသွေးရှိသော သရုပ်ပြမှုများကို ဖမ်းယူသည်။ အော်ပရေတာသည် ခေါင်းဆောင်-နောက်လိုက်လက်များ၊ VR နားကြပ်များ၊ exoskeleton ဝတ်စုံများ သို့မဟုတ် လက်ကိုင်မျက်နှာပြင်များမှတစ်ဆင့် ရိုဘော့ကို အဝေးမှထိန်းချုပ်ပြီး စနစ်သည် အဆစ်ထောင့်၊ ဂရစ်ပါအခြေအနေ၊ အားဖတ်ရှုခြင်းနှင့် ကင်မရာဘောင်တိုင်းကို တစ်ပြိုင်နက်တည်း မှတ်တမ်းတင်သည်။ ဒေတာသည် ရိုဘော့တွင် တကယ့်တာဝန်ကို ထမ်းဆောင်နေသော လူသားထံမှ လာသောကြောင့် လုပ်ဆောင်ချက်-အခြေအနေ ဆက်စပ်မှုသည် တိကျပြီး ပုံစံကွာဟချက်မှာ သုညဖြစ်သည်။

ကန့်သတ်ချက်မှာ throughput ဖြစ်သည်။ ကျွမ်းကျင်သော teleoperator များသည် လုပ်ငန်းရှုပ်ထွေးမှုပေါ် မူတည်၍ တစ်နာရီလျှင် ဇာတ်လမ်းတွဲ ၅-၅၀ ခန့် ထုတ်လုပ်ကြပြီး အော်ပရေတာများ ပင်ပန်းနွမ်းနယ်လာသောအခါ ဒေတာအရည်အသွေး ကျဆင်းသွားသည်။ Teleoperation သည် ရည်ရွယ်ချက်ရှိရှိ protocol ဒီဇိုင်းမပြုလုပ်ဘဲ failure recovery အထိ တိုးချဲ့နိုင်မည်မဟုတ်ပါ- အော်ပရေတာများ အမြဲတမ်းအောင်မြင်ပါက မူဝါဒသည် အနှောင့်အယှက်များမှ ပြန်လည်ကောင်းမွန်လာရန် ဘယ်တော့မှ မသင်ယူပါ။

ဆင်းမ်မှ အစစ်အမှန်သို့ လွှဲပြောင်းခြင်း

ရူပဗေဒ simulator များ (MuJoCo၊ NVIDIA Isaac Sim၊ Isaac Lab၊ PyBullet) သည် သုတေသီများအား စက်ရုပ်ဇာတ်လမ်းတွဲ သန်းပေါင်းများစွာကို အရင်းအနှီးကုန်ကျစရိတ် သုညနီးပါးဖြင့် ဖန်တီးနိုင်စေပါသည်။ GPU cluster တစ်ခုတည်းသည် တစ်ညတည်းတွင် parallel simulation instance ထောင်ပေါင်းများစွာကို လုပ်ဆောင်နိုင်သည်။ ကုန်ကျစရိတ်သည် ဖြန့်ကျက်ချိန်တွင် ပေါ်လာသည်- simulation တွင် လေ့ကျင့်ထားသော မူဝါဒများသည် လက်တွေ့ကမ္ဘာ ထိတွေ့မှု ဒိုင်းနမစ်၊ အာရုံခံဆူညံသံနှင့် simulator မှ တိကျစွာ ပုံတူမကူးထားသော အမြင်အာရုံ ကွဲပြားမှုများနှင့် ရင်ဆိုင်ရသောအခါ မကြာခဏ ကျရှုံးလေ့ရှိသည်။ ဤ sim-to-real ကွာဟချက်ကို ပိတ်ခြင်းသည် တက်ကြွသော သုတေသနနယ်ပယ်တစ်ခုဖြစ်သည်။

အင်တာနက်ဗီဒီယိုနှင့် တုံ့ပြန်မှုစောင့်ကြည့်ခြင်း

အင်တာနက်ဗီဒီယိုတွင် ကြိုတင်လေ့ကျင့်ထားသော ကြီးမားသော အမြင်အာရုံ-ဘာသာစကား မော်ဒယ်များသည် လုပ်ငန်းတာဝန်အခြေခံတွင် အထောက်အကူဖြစ်စေသည့် အထွေထွေမြင်ကွင်းနားလည်မှုကို ယူဆောင်လာပါသည်။ ရုပ်ပိုင်းဆိုင်ရာ ဉာဏ်ရည်ဉာဏ်သွေး၏ pi0 ဗိသုကာနှင့် အလားတူ VLA ဒီဇိုင်းများသည် စက်ရုပ်သရုပ်ပြမှုများကို အသေးစိတ်ချိန်ညှိခြင်းမပြုမီ ကိုင်တွယ်မှုစွမ်းရည်များကို bootstrap လုပ်ရန် ဗီဒီယိုကြိုတင်လေ့ကျင့်မှုကို အသုံးပြုပါသည်။ ကန့်သတ်ချက်မှာ ဗီဒီယိုတွင် လုပ်ဆောင်ချက်တံဆိပ်များ မပါဝင်ခြင်းဖြစ်သည်- ဗီဒီယိုတွင် လက်တစ်ဖက်က အရာဝတ္ထုတစ်ခုကို ဆုပ်ကိုင်ထားသည်ကို ပြသသော်လည်း သက်ရောက်သောအား သို့မဟုတ် ညီမျှသော စက်ရုပ်လက်မောင်း၏ အဆစ်ထောင့်များကို မှတ်တမ်းတင်ထားခြင်းမရှိပါ။ ပြောင်းပြန်ဒိုင်းနမစ်မော်ဒယ်များသည် ဗီဒီယိုမှ လုပ်ဆောင်ချက်များကို တစ်စိတ်တစ်ပိုင်း ကောက်ချက်ချနိုင်သော်လည်း ရလဒ်အနေဖြင့် pseudo-labels များသည် ဆူညံသံကို သယ်ဆောင်သည်။

တယ်လီအော်ပရေတာ ဟာ့ဒ်ဝဲနှင့် ပရိုတိုကောများ

တယ်လီအော်ပရေတာ အင်တာဖေ့စ် ရွေးချယ်မှုသည် ဒေတာအရည်အသွေးနှင့် စုဆောင်းမှု throughput နှစ်ခုလုံးကို ပုံဖော်ပေးသည်။ အောက်တွင် ၂၀၂၅-၂၀၂၆ သုတေသနနှင့် စီးပွားဖြစ်အစီအစဉ်များတွင် အတက်ကြွဆုံးစနစ်များ ပါဝင်သည်။

ခေါင်းဆောင်-နောက်လိုက် လက်နက်များ- ALOHA နှင့် မိုဘိုင်း ALOHA

ALOHA (လက်နှစ်ဖက်သုံး အဝေးထိန်းစနစ်အတွက် ကုန်ကျစရိတ်နည်းသော Open-source Hardware စနစ်) ကို စတန်းဖို့ဒ်တွင် တီထွင်ခဲ့ပြီး အော်ပရေတာ လက်ဖြင့် ရွေ့လျားသည့် ဈေးသက်သာသော ခေါင်းဆောင်လက်မောင်းနှစ်ခုကို အသုံးပြုထားပြီး စက်ရုပ်ပေါ်ရှိ လိုက်ဖက်သော နောက်လိုက်လက်မောင်းနှစ်ခုသည် လှုပ်ရှားမှုကို အချိန်နှင့်တပြေးညီ ပုံတူကူးယူသည်။ လက်နှစ်ဖက်သုံး ဒီဇိုင်းသည် လက်တစ်ဖက်တည်းသုံး အလုပ်များကို ဖမ်းယူပေးသည်။ မိုဘိုင်း ALOHA သည် ပလက်ဖောင်းကို မိုဘိုင်းအခြေခံသို့ တိုးချဲ့သည်။ ၂၀၂၄ ခုနှစ်တွင် ထွက်ရှိခဲ့သော ALOHA 2 သည် ပူးတွဲခြေရာခံခြင်း တိကျမှုနှင့် အော်ပရေတာ ergonomics ကို တိုးတက်စေသည်။ ခေါင်းဆောင်-နောက်လိုက် အစုံအတွက် ဟာ့ဒ်ဝဲကုန်ကျစရိတ်မှာ ဒေါ်လာ ၂၀,၀၀၀ အောက်ဖြစ်ပြီး ပညာရေးဓာတ်ခွဲခန်းများစွာတွင် လက်ခံကျင့်သုံးမှုကို မောင်းနှင်ခဲ့သည်။

လက်ကောက်ဝတ်တွင်တပ်ဆင်ထားသော အင်တာဖေ့စ်များ- UMI

စတန်းဖို့ဒ်နှင့် ကိုလံဘီယာမှ Universal Manipulation Interface (UMI) သည် လက်ကိုင် gripper ပေါ်တွင် fisheye ကင်မရာနှင့် encoder ကို တပ်ဆင်သည်။ gripper သည် end-effector pose နှင့် grasp state ကို မှတ်တမ်းတင်နေစဉ် operator သည် ပတ်ဝန်းကျင်တွင် အလုပ်ကို ရုပ်ပိုင်းဆိုင်ရာ သရုပ်ပြသည်။ UMI သည် robot မှ data collection ကို ခွဲထုတ်သည်- demonstration များကို လယ်ကွင်းတွင် စုဆောင်းနိုင်ပြီး နောက်ပိုင်းတွင် robot embodiments အမျိုးမျိုးသို့ ပြန်လည်ပစ်မှတ်ထားနိုင်သည်။ ၎င်းသည် ဓာတ်ခွဲခန်းပြင်ပတွင် in-the-wild manipulation data များ စုဆောင်းရာတွင် အထူးအသုံးဝင်စေသည်။

VR နှင့် ခေါင်းတွင်တပ်ဆင်ထားသော မျက်နှာပြင်များ

Apple Vision Pro နှင့် Meta Quest 3 နှစ်ခုစလုံးကို teleoperation interface များအဖြစ် စူးစမ်းလေ့လာနေပါသည်။ အဓိကဆွဲဆောင်မှုမှာ အလိုအလျောက် operator control ပါရှိသော bimanual six-DoF hand tracking ဖြစ်သည်။ အင်ဂျင်နီယာဆိုင်ရာစိန်ခေါ်မှုမှာ retargeting ဖြစ်သည်- human hand kinematics (လက်ချောင်းငါးချောင်း၊ အဆစ် ၂၇ ခု) သည် robot end-effector command များ (ပုံမှန်အားဖြင့် 1-DoF grippers သို့မဟုတ် 12–16 DoF ရှိသော dexterous hands) သို့ map လုပ်ရမည်။ ဂရုတစိုက် retargeting မပြုလုပ်ပါက မှတ်တမ်းတင်ထားသော demonstration များတွင် operator intent ပါဝင်သော်လည်း တိုက်ရိုက်လုပ်ဆောင်နိုင်သော robot action များ မပါဝင်ပါ။

အပြင်အရိုးစုနှင့် ခန္ဓာကိုယ်တစ်ခုလုံး ဖမ်းယူခြင်း

ခန္ဓာကိုယ်တစ်ခုလုံး၏ ရွေ့လျားမှုဒေတာ (ရွေ့လျားမှုနှင့် ကိုင်တွယ်မှုပေါင်းစပ်ခြင်းအပါအဝင်) လိုအပ်သော humanoid robots များအတွက်၊ exoskeleton ဝတ်စုံများသည် 100 Hz အထက် နမူနာနှုန်းဖြင့် ခန္ဓာကိုယ်တစ်ခုလုံး၏ kinematics များကို ဖမ်းယူသည်။ AgiBot သည် ၎င်း၏ AgiBot World dataset အတွက် humanoid ကိုင်တွယ်မှုဒေတာများကို စုဆောင်းရန်အတွက် exoskeleton-based ချဉ်းကပ်မှုကို အသုံးပြုသည်။ Fourier GR-1 teleoperation သည်လည်း အလားတူပင် robot ၏ အဆစ်ဖွဲ့စည်းပုံနှင့် ကိုက်ညီသော ဝတ်ဆင်နိုင်သော capture rig ပေါ်တွင် မူတည်သည်။

ပုံသဏ္ဍာန်နှင့် ကြီးမားသော ကုန်သွယ်ရေးယာဉ်စုများ

Figure AI သည် ၎င်း၏ BMW ထုတ်လုပ်ရေးဖြန့်ကျက်မှုတစ်လျှောက်တွင် ကိုယ်ပိုင် teleop fleet ကို လည်ပတ်လျက်ရှိသည်။ ဖြန့်ကျက်ထားသော စက်ရုပ်တစ်ခုစီသည် လေ့ကျင့်မှုသို့ ပြန်လည်ပေးပို့သည့် အပိုင်းအသစ်များကို စုဆောင်းသည့် data flywheel မော်ဒယ်သည်လည်း Tesla Optimus ၏ ဖွံ့ဖြိုးတိုးတက်ရေး မဟာဗျူဟာ၏ အဓိကအချက်ဖြစ်သည်။ ဤ closed-loop စနစ်များသည် open academic datasets များ မယှဉ်နိုင်သောနှုန်းဖြင့် စက်မှုလုပ်ငန်းဆိုင်ရာဒေတာများကို စုဆောင်းသည်။

အဝေးထိန်းစနစ် ပလက်ဖောင်း နှိုင်းယှဉ်ချက်

မှတ်ချက်- ထုတ်လုပ်မှုပမာဏသည် ထုတ်ဝေထားသော သုတေသနနှင့် သုတေသီအကောင့်များမှ ရယူထားသော ခန့်မှန်းခြေအပိုင်းအခြားများဖြစ်သည်။ တစ်ဦးချင်း အော်ပရေတာကျွမ်းကျင်မှုနှင့် လုပ်ငန်းတာဝန်ရှုပ်ထွေးမှုတို့သည် ရလဒ်များကို သိသိသာသာ သက်ရောက်မှုရှိသည်။

အများပြည်သူသုံး ဒေတာအစုများ- Open X-Embodiment၊ DROID၊ BridgeData၊ RoboSet၊ RH20T၊ AgiBot World

ပွင့်လင်းသောဒေတာစု ဂေဟစနစ်သည် ၂၀၂၂ ခုနှစ်မှစ၍ အလျင်အမြန် တိုးချဲ့လာခဲ့သည်။ အောက်တွင် ၂၀၂၆ ခုနှစ် အစောပိုင်းအထိ အများဆုံးကိုးကားထားသော စုစည်းမှုများကို ခြုံငုံသုံးသပ်ထားပါသည်။

ပွင့်လင်း X-Embodiment (OXE) နှင့် RT-X

Google DeepMind မှ ပံ့ပိုးပေးသော အဖွဲ့အစည်း ၃၃ ခုနှင့်အတူ စုစည်းထားသော OXE သည် စက်ရုပ်အမျိုးအစား ၂၂ မျိုးကျော်တွင် အပိုင်းပေါင်း ၁ သန်းကျော်ကို စုစည်းထားသည်။ ဆက်စပ်နေသော RT-X မော်ဒယ်များက စုပေါင်းပေါင်းစပ်ထားသော cross-embodiment data ပေါ်တွင် လေ့ကျင့်ခြင်းသည် generalization benchmarks များတွင် single-embodiment baselines ထက် သာလွန်ကောင်းမွန်ကြောင်း ပြသခဲ့သည်။ OXE ကို ပံ့ပိုးပေးသော အဖွဲ့အစည်းပေါ် မူတည်၍ CC-BY နှင့် Apache 2.0 လိုင်စင်များ ရောနှော၍ ထုတ်ဝေထားသည်။ ဝင်ရောက်ခွင့်ကို RT-X ဝက်ဘ်ဆိုက်နှင့် HuggingFace မှတစ်ဆင့် ရရှိနိုင်သည်။

Droid

DROID (ဖြန့်ဝေထားသော စက်ရုပ် အပြန်အလှန် ဆက်သွယ်မှု အချက်အလက်စု) ကို ALOHA ပုံစံ တယ်လီအော်ပရေတာ အင်တာဖေ့စ်ပါသည့် စံသတ်မှတ်ထားသော Franka Panda စနစ်ထည့်သွင်းမှုကို အသုံးပြု၍ မြောက်အမေရိက သုတေသန ဓာတ်ခွဲခန်း ၁၃ ခုတွင် စုဆောင်းခဲ့သည်။ ၎င်းတွင် အိမ်သုံးနှင့် စားပွဲခုံ ကိုင်တွယ်ဖြေရှင်းမှု အလုပ်အမျိုးမျိုး၏ အပိုင်းပေါင်း ၇၆,၀၀၀ ခန့် ပါဝင်သည်။ ဆိုက်များတစ်လျှောက် စံသတ်မှတ်ထားသော ဟာ့ဒ်ဝဲသည် DROID ကို အပြုအမူ ကလෝနင်းနှင့် RLHF စမ်းသပ်ချက်များအတွက် အသန့်ရှင်းဆုံး ကြီးမားသော ကိုင်တွယ်ဖြေရှင်းမှု အချက်အလက်စုများထဲမှ တစ်ခုဖြစ်စေသည်။

BridgeData V2

UC Berkeley နှင့် Stanford မှ BridgeData V2 တွင် စားပွဲခုံကိုင်တွယ်မှုအလုပ်အမျိုးမျိုးတွင် သရုပ်ပြမှုပေါင်း ၆၀,၀၀၀ ခန့်ပါဝင်သည်။ ၎င်းသည် WidowX လက်မောင်းကို အသုံးပြုပြီး ၎င်း၏အလုပ်ကွဲပြားမှု (ကွဲပြားသောအလုပ်အမျိုးအစား ၇၀ ကျော်) အတွက် ထင်ရှားပြီး VLA မော်ဒယ်များအတွက် ဘုံအသေးစိတ်ချိန်ညှိမှုအခြေခံအဖြစ် အသုံးပြုသည်။ CC-BY 4.0 အောက်တွင် ထုတ်ပြန်ထားသည်။

ရိုဘိုဆက်

IIT Delhi နှင့် ပူးပေါင်းဆောင်ရွက်သူများမှ RoboSet သည် Franka Panda ဖြင့် စုဆောင်းထားသော multi-task မီးဖိုချောင်ကိုင်တွယ်မှုဒေတာကို ပံ့ပိုးပေးပါသည်။ ၎င်းတွင် အပိုင်းတစ်ခုစီအတွက် RGB-D လေ့လာတွေ့ရှိချက်များနှင့် ဘာသာစကားမှတ်ချက်များ ပါဝင်သည်။ RoboSet ကို ဘာသာစကားအခြေအနေပေါ်လစီအကဲဖြတ်ခြင်းကို ပံ့ပိုးရန် အထူးဒီဇိုင်းထုတ်ထားပြီး ညွှန်ကြားချက်များကို လိုက်နာသည့် ယေဘုယျပြုလုပ်ခြင်းကို စမ်းသပ်ရာတွင် အသုံးဝင်ပါသည်။

RH20T

RH20T (Robot-Human 20 Tasks) သည် တစ်ပြိုင်တည်းလုပ်ဆောင်ထားသော robot proprioception၊ RGB ဗီဒီယို၊ အနက်၊ ထိတွေ့နိုင်သော နှင့် အသံစီးကြောင်းများပါဝင်သည့် ကြီးမားသော contact-rich manipulation dataset တစ်ခုဖြစ်သည်။ multimodal richness သည် RH20T ကို visual observation သက်သက်မဟုတ်ဘဲ contact sensing လိုအပ်သော မူဝါဒများတွင် လုပ်ဆောင်နေသော သုတေသီများအတွက် ကိုးကားစရာဖြစ်စေသည်။

AgiBot ကမ္ဘာ

AgiBot World သည် တရုတ်ရိုဘော့တစ်ကုမ္ပဏီ AgiBot မှ ၎င်း၏ exoskeleton-based data collection pipeline ကို အသုံးပြု၍ ထုတ်လုပ်ထားသော humanoid manipulation dataset တစ်ခုဖြစ်သည်။ ၎င်းသည် ခန္ဓာကိုယ်တစ်ခုလုံး၏ humanoid manipulation tasks များကို အာရုံစိုက်ပြီး စက်မှုလုပ်ငန်းအတိုင်းအတာဖြင့် humanoid form factors များကို အထူးပစ်မှတ်ထားသည့် ပထမဆုံးသော ကြီးမားသော dataset များထဲမှ တစ်ခုကို ကိုယ်စားပြုသည်။ AgiBot World ကို စီးပွားဖြစ်မဟုတ်သော အသုံးပြုမှုအတွက် open research license အောက်တွင် ရရှိနိုင်ပါသည်။

အများပြည်သူသုံး AI ဒေတာအစုံ ရည်ညွှန်းချက်

၂၀၂၆ ခုနှစ် အစောပိုင်းအထိ ဒေတာစုစည်းမှုစာတမ်းများနှင့် တရားဝင်သိုလှောင်ရာနေရာများမှ ရယူထားသော ဇာတ်လမ်းတွဲအရေအတွက်နှင့် လိုင်စင်စည်းကမ်းချက်များ။ အသုံးမပြုမီ လက်ရှိစည်းကမ်းချက်များကို အတည်ပြုပါ။

Sim-to-Real Stack: Isaac Sim၊ MuJoCo၊ Cosmos နှင့် Domain Randomization

သရုပ်သကန်ပြုလုပ်ခြင်းသည် ဒေတာထုတ်လုပ်မှုကို ချိန်ညှိပေးသည်။ လက်တွေ့ကျသောမေးခွန်းမှာ မည်သည့်သရုပ်သကန်ကို အသုံးပြုရမည်နှင့် ရုပ်ပိုင်းဆိုင်ရာ ဟာ့ဒ်ဝဲသို့ ကွာဟချက်ကို မည်သို့ပြန်လည်ပိတ်ရမည်ဆိုသည့်အချက်ဖြစ်သည်။

MuJoCo

MuJoCo (ထိတွေ့မှုပါသော အဆစ်များစွာပါသည့် ဒိုင်းနမစ်) သည် ထိတွေ့မှုကြွယ်ဝသော ကိုင်တွယ်မှု သုတေသနအတွက် စံနှုန်းအဖြစ် ရှိနေဆဲဖြစ်သည်။ ၎င်း၏ ရူပဗေဒအင်ဂျင်သည် rigid body dynamics၊ soft contacts နှင့် tendon-actuated systems များကို တွက်ချက်မှုစွမ်းဆောင်ရည်ဖြင့် ကိုင်တွယ်ပြီး တစ်ခုတည်းသော GPU cluster တွင် parallel training episodes ထောင်ပေါင်းများစွာကို ခွင့်ပြုသည်။ ၂၀၂၂ ခုနှစ်တွင် Google DeepMind အောက်ရှိ open-source ထုတ်ဝေမှုသည် လက်ခံကျင့်သုံးမှုကို သိသိသာသာ အရှိန်မြှင့်တင်ပေးခဲ့သည်။ ပညာရေးဆိုင်ရာ အပြုအမူ cloning နှင့် RLHF benchmarks အများစုသည် MuJoCo ပတ်ဝန်းကျင်များကို အသုံးပြုသည်။

NVIDIA Isaac Sim နှင့် Isaac Lab

Isaac Sim သည် NVIDIA ၏ Omniverse ပလက်ဖောင်းပေါ်တွင် အလုပ်လုပ်ပြီး မြင့်မားသော fidelity rendering ပါရှိသော GPU-accelerated ရူပဗေဒကို ပေးပါသည်။ Isaac Lab (ယခင် OmniIsaacGymEnvs) သည် Isaac Sim ပေါ်တွင်တည်ဆောက်ထားသော reinforcement learning framework ဖြစ်ပြီး massively parallel policy training အတွက် အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်ထားသည်။ အဓိကအားသာချက်တစ်ခုမှာ photorealistic rendering ဖြစ်သည်- Isaac Sim ၏ path-traced visuals များသည် MuJoCo ၏ ရိုးရှင်းသော renderers များနှင့် နှိုင်းယှဉ်ပါက visual domain gap ကို လျှော့ချပေးပြီး vision-based policies training အတွက် အရေးပါပါသည်။

NVIDIA Cosmos

Cosmos သည် NVIDIA ၏ ကမ္ဘာ့အခြေခံ မော်ဒယ်ပလက်ဖောင်းဖြစ်ပြီး ၂၀၂၄ ခုနှစ်နှောင်းပိုင်းတွင် ကြေညာခဲ့သည်။ ပထမနိယာမများမှ ရူပဗေဒကို တုပခြင်းအစား၊ Cosmos သည် စာသား သို့မဟုတ် ရုပ်ပုံညွှန်ကြားချက်များမှ စက်ရုပ်နှင့် အရာဝတ္ထု အပြန်အလှန် ဆက်သွယ်မှုများ၏ ဓာတ်ပုံလက်တွေ့ဆန်သော ဗီဒီယိုကို ဗီဒီယိုဒေတာစုကြီးများတွင် လေ့ကျင့်ပေးထားသည်။ ကတိကဝတ်မှာ လက်ဖြင့်ပြုလုပ်ထားသော ဒိုမိန်းကျပန်းပြုလုပ်ခြင်းမရှိဘဲ အမြင်အာရုံ sim-to-real ကွာဟချက်ကို ပိတ်ရန် လုံလောက်သော တကယ့်ပုံပေါက်သည့် ပေါင်းစပ်လေ့ကျင့်ရေးဒေတာကို ထုတ်လုပ်ခြင်းဖြစ်သည်။ ၂၀၂၆ ခုနှစ် အစောပိုင်းအထိ၊ Cosmos ကို စက်ရုပ်သင်ယူမှုဓာတ်ခွဲခန်းများစွာမှ လက်တွေ့သရုပ်ပြမှုများအပေါ်တွင် အချက်အလက်တိုးမြှင့်သည့်အလွှာတစ်ခုအဖြစ် စူးစမ်းလေ့လာလျက်ရှိသည်။

Gaussian Splatting နှင့် Scene Reconstruction

3D Gaussian Splatting သည် RGB ပုံငယ်များမှ ဓာတ်ပုံနှင့်တူသော မြင်ကွင်းများကို နာရီပိုင်းအတွင်း ပြန်လည်တည်ဆောက်ပေးပါသည်။ စက်ရုပ်လေ့ကျင့်ရေးအတွက် ဓာတ်ခွဲခန်းတစ်ခုသည် အလုပ်ခွင်ပတ်ဝန်းကျင်အသစ်ကို စကင်ဖတ်နိုင်ပြီး Gaussian မြင်ကွင်းကို ပြန်လည်တည်ဆောက်ကာ ရူပဗေဒ simulator မလိုအပ်ဘဲ ဒေတာတိုးမြှင့်မှုအတွက် ရှုထောင့်အသစ်များ သို့မဟုတ် အရာဝတ္ထုဖွဲ့စည်းပုံများကို ထုတ်လုပ်နိုင်သည်။ ဤချဉ်းကပ်မှုကို ကုန်ကျစရိတ်နည်းသော visual domain randomization tool တစ်ခုအနေဖြင့် sim-to-real pipelines အများအပြားတွင် ပေါင်းစပ်ထားသည်။

ဒိုမိန်း ကျပန်းပြုလုပ်ခြင်းနှင့် စနစ်ခွဲခြားသတ်မှတ်ခြင်း

Domain randomization သည် လေ့ကျင့်နေစဉ်အတွင်း simulation parameters များ (အရာဝတ္ထု texture များ၊ အလင်းရောင်အခြေအနေများ၊ friction coefficients များ၊ robot joint stiffness) ကို ကျပန်းခွဲခြားပြီး တစ်ခုတည်းသော simulated configuration တွင် တပ်ဆင်မည့်အစား variation ကို ခံနိုင်ရည်ရှိစေရန် မူဝါဒကို ဖိအားပေးပါသည်။ System identification သည် complementary approach ကို အသုံးပြုသည်- ၎င်းသည် အစစ်အမှန် robot ၏ physical parameters များ (mass၊ inertia၊ joint compliance) ကို တိကျစွာတိုင်းတာပြီး randomization မလုပ်မီကွာဟချက်ကို လျှော့ချရန် simulation တွင် ထိုတန်ဖိုးများကို အသုံးပြုသည်။

သင်ရိုးညွှန်းတမ်းသင်ယူမှုတွင် ကျပန်းရွေးချယ်မှုကို တဖြည်းဖြည်းအသုံးချသည်။ မူဝါဒတစ်ခုသည် ဦးစွာ ကျဉ်းမြောင်းပြီး သန့်ရှင်းသော သရုပ်ဖော်မှုတွင် လေ့ကျင့်ပြီးနောက် စွမ်းဆောင်ရည်တိုးတက်လာသည်နှင့်အမျှ ကွဲပြားမှုများကို တဖြည်းဖြည်းကြုံတွေ့ရသည်။ ဤအဆင့်ဆင့်ချဉ်းကပ်မှုသည် အစကတည်းက အပြည့်အဝကျပန်းရွေးချယ်မှုကို အသုံးပြုခြင်းထက် မကြာခဏ ပိုမိုမြန်ဆန်စွာ ပေါင်းစည်းလေ့ရှိသည်။

ဒေတာ အရည်အသွေးနှင့် အရေအတွက် လဲလှယ်မှုများ

အချက်အလက်ပိုများလာတိုင်း အလိုအလျောက် ပိုကောင်းလာတာမျိုး မဟုတ်ပါဘူး။ အချက်အလက်အစုတစ်ခုရဲ့ ဖွဲ့စည်းမှုက လေ့ကျင့်ထားတဲ့ မူဝါဒတစ်ခုက ဘာတွေလုပ်နိုင်တယ်၊ ဘာတွေမလုပ်နိုင်ဘူးဆိုတာတွေကို ပုံဖော်ပေးပါတယ်။

ရည်မှန်းချက်သည် အထွေထွေမူဝါဒတစ်ခုဖြစ်သည့်အခါ လုပ်ငန်းကွဲပြားမှုသည် အပိုင်းအရေအတွက်ထက် ပိုအရေးကြီးပါသည်။ တူညီသော ရွေးချယ်မှုနှင့် နေရာချထားမှုတာဝန်၏ အပိုင်း ၁၀၀,၀၀၀ ပါသော dataset သည် ကျွမ်းကျင်သူတစ်ဦးကို ဖြစ်ပေါ်စေပါသည်။ လုပ်ငန်းအမျိုးအစား ၅၀ တွင် ပျံ့နှံ့နေသော အပိုင်း ၁၀,၀၀၀ ပါသော dataset သည် အနည်းငယ်သာ အသေးစိတ်ချိန်ညှိပြီးနောက် လုပ်ငန်းအသစ်များသို့ လွှဲပြောင်းပေးသည့် မူဝါဒတစ်ခုကို ဖန်တီးပေးနိုင်ပါသည်။

စက်ရုပ်ဖြတ်ကျော် လွှဲပြောင်းမှုအတွက် အသွင်အပြင်ကွဲပြားမှုသည် အရေးပါပါသည်။ OXE ၏တန်ဖိုးမှာ လက်အမျိုးအစားများ၊ မိုဘိုင်းပလက်ဖောင်းများနှင့် ကျွမ်းကျင်သောလက်များကို လွှမ်းခြုံထားခြင်းပင်ဖြစ်သည်။ OXE တွင် ကြိုတင်လေ့ကျင့်ပြီး စက်ရုပ်အသစ်တွင် အသေးစိတ်ချိန်ညှိထားသော မူဝါဒသည် တူညီသောစက်ရုပ်အသစ်၏ဒေတာတွင်ပင် လေ့ကျင့်ထားသော စက်ရုပ်ထက် ပုံမှန်အားဖြင့် သာလွန်ကောင်းမွန်ပြီး ရလဒ်သည် ထုတ်ဝေထားသော လေ့လာမှုများစွာတွင် တသမတ်တည်းရှိသည်။

အပိုင်းအပိုင်းအရှည်နှင့် ပျက်ကွက်မှုပြန်လည်ကောင်းမွန်လာမှုကို လျှော့တွက်ထားကြသည်။ ပျက်ကွက်ခဲသော ကျွမ်းကျင်သော teleoperator များမှ စုဆောင်းထားသော dataset များသည် အနှောင့်အယှက်များမှ မည်သို့ပြန်လည်ကောင်းမွန်လာရမည်ကို မသိသော မူဝါဒများကို ဖြစ်ပေါ်စေပါသည်။ ပျက်ကွက်မှုအခြေအနေများနှင့် ပြန်လည်ကောင်းမွန်လာမှု၏ သရုပ်ပြမှုများကို ရည်ရွယ်ချက်ရှိရှိ ထိုးသွင်းခြင်းသည် လက်တွေ့ကမ္ဘာ၏ ခံနိုင်ရည်ကို သိသိသာသာ တိုးတက်ကောင်းမွန်စေသည်။ အချို့သောဓာတ်ခွဲခန်းများသည် ဤဒေတာကိုထုတ်လုပ်ရန် teleoperation အစည်းအဝေးများအတွင်း ဆန့်ကျင်ဘက်အနှောင့်အယှက်များကို အသုံးပြုကြသည်။

၂၀၂၄-၂၀၂၅ ခုနှစ်များတွင် စက်မှုလုပ်ငန်းဆိုင်ရာ လေ့လာတွေ့ရှိချက်များအရ၊ ဒေတာစုတစ်ခုသည် သရုပ်ပြမှု ၅၀၀ မှ ၁၀၀၀ ခန့်တွင် လုပ်ငန်းတစ်ခုကို လွှမ်းခြုံပြီးသည်နှင့် အပိုဆောင်း အပိုင်းများ၏ အနားသတ်တန်ဖိုးသည် သိသိသာသာ ကျဆင်းသွားပြီး၊ လုပ်ငန်းအမျိုးအစားအသစ်များ၏ အနားသတ်တန်ဖိုးသည် မတူညီသော လုပ်ငန်းထောင်ပေါင်းများစွာအထိ မြင့်မားနေဆဲဖြစ်သည်။ EVST သည် pilot data capture cell များကို ဖွဲ့စည်းသောအခါ၊ ထပ်ခါတလဲလဲ အပိုင်းများစုဆောင်းခြင်းထက် လုပ်ငန်းအကျယ်အဝန်းကို ဦးစားပေးသည့်အခါ ဤအချက်ကို ထည့်သွင်းစဉ်းစားသည်။

စက်မှုလုပ်ငန်းအဆင့်ဒေတာထည့်သွင်းစဉ်းစားရမည့်အချက်များ

စက်ရုံဒေတာစုဆောင်းခြင်းသည် ပညာရေးဆိုင်ရာ အဝေးထိန်းစနစ်များတွင် ပုံမှန်အားဖြင့် မဖြေရှင်းပေးသည့် လိုအပ်ချက်များကို ချမှတ်စေသည်။

ပထမလိုအပ်ချက်မှာ ဆုံးဖြတ်နိုင်သော မှတ်တမ်းတင်ခြင်း ဖြစ်သည်။ ထုတ်လုပ်မှုဆဲလ်တစ်ခုတွင်၊ ပူးတွဲအင်ကုဒ်ဒါဖတ်ရှုခြင်းပေါ်ရှိ အချိန်တံဆိပ်ကို မီလီစက္ကန့်အောက် တိကျမှုဖြင့် နံရံနာရီရည်ညွှန်းချက်သို့ ခြေရာခံနိုင်ရမည်။ စက်မှုလုပ်ငန်းသုံးရိုဘော့များ (EVST ၏ ထုတ်ကုန်များအပါအဝင်) တွင် စံသတ်မှတ်ထားသော EtherCAT 1 kHz fieldbus ထိန်းချုပ်မှုသည် multi-sensor ထပ်တူပြုခြင်းကို ကိုင်တွယ်ဖြေရှင်းနိုင်စေသည့် ဆုံးဖြတ်နိုင်သော အချိန်ကိုက်အခြေခံကို ပံ့ပိုးပေးသည်။ 1 kHz တွင်လည်ပတ်နေသော စနစ်တစ်ခုသည် ဝင်ရိုးတစ်ခုလျှင် တစ်စက္ကန့်လျှင် joint-state နမူနာ ၁၀၀၀ ကို ထုတ်ပေးသည်၊ ထိုစီးဆင်းမှုကို 30–60 fps ရှိ ကင်မရာဘောင်များနှင့် 500 Hz တွင် force-torque အချက်အလက်များနှင့် ချိန်ညှိရန် software buffering မဟုတ်ဘဲ စည်းကမ်းရှိသော hardware timestamping ဗိသုကာလိုအပ်သည်။

မတော်တဆမှုနီးပါးဖြစ်ပွားသည့်ဖြစ်ရပ်များ၊ e-stop အသက်သွင်းခြင်း သို့မဟုတ် အင်အားကန့်သတ်ချက်ချိုးဖောက်မှုများပါဝင်သည့်အခါ ဘေးကင်းရေးအညွှန်းများ လိုအပ်ပါသည်။ ဤအညွှန်းများသည် လိုက်နာမှုနှင့် ဘေးကင်းရေးနှင့်သက်ဆိုင်သောအခြေအနေများကို နားလည်သော လေ့ကျင့်ရေးမူဝါဒများအတွက် နှစ်မျိုးလုံးအတွက် လိုအပ်ပါသည်။ e-stop အကြောင်းရင်းများနှင့် ဟာ့ဒ်ဝဲအဆင့်တွင် အဆစ် torque ကျော်လွန်မှုများကို မှတ်တမ်းတင်သည့် စက်မှုထိန်းချုပ်ကိရိယာများသည် ဤအညွှန်းကို ကိုင်တွယ်ရလွယ်ကူစေသည်။

Cycle-time annotation သည် စက်ရုပ်အပိုင်းများကို ထုတ်လုပ်မှုရလဒ်များနှင့် ချိတ်ဆက်ပေးသည်။ အပိုင်း ၄,၇၁၂ သည် အရည်အသွေး သုညဖြင့် assembly task ကို ၈.၃ စက္ကန့်အတွင်း ပြီးမြောက်အောင် လုပ်ဆောင်နိုင်ခဲ့ကြောင်း သိရှိခြင်းက စက်ရုပ်သင်ယူမှုဒေတာကို MES စနစ်နှင့် ချိတ်ဆက်ပေးပြီး လေ့ကျင့်ရေးအတွက် အရည်အသွေးမြင့် သရုပ်ပြမှုများကို ရွေးချယ်နိုင်စေပါသည်။

MES နှင့်ချိတ်ဆက်ထားသော metadata သည် တံတားဖြစ်သည်။ စက်ရုပ်၏ဒေတာမှတ်တမ်းတင်စနစ်သည် MES အလုပ် ID များ၊ အစိတ်အပိုင်းအမျိုးအစားများနှင့် အရည်အသွေးရလဒ်များပူးတွဲပါရှိသော အပိုင်းဖိုင်များကို ရေးသားသောအခါ၊ ရလဒ်ဒေတာစုကို ပရိုဂရမ်ဖြင့် စစ်ထုတ်နိုင်သည်။ ပြန်လည်လုပ်ဆောင်ခြင်း၊ ဖြတ်တောက်ခြင်း သို့မဟုတ် အော်ပရေတာ override နှင့်ဆက်စပ်နေသော အပိုင်းများကို ဖယ်ထုတ်နိုင်သည် သို့မဟုတ် ပျက်ကွက်မှုသရုပ်ပြမှုများအဖြစ် သတ်မှတ်နိုင်သည်။

လက်တွေ့တွင်၊ ဒေတာဖမ်းယူရန်အတွက် pilot cell တစ်ခုကို ပြန်လည်ပြုပြင်သည့်အခါ၊ အဖြစ်အများဆုံး အတားအဆီးမှာ robot ၏ logging စွမ်းရည်မဟုတ်ဘဲ cell ၏ network architecture ဖြစ်သည်။ sub-kHz နှုန်းထားများတွင် PLC မှ robot သို့ ဆက်သွယ်မှုအတွက် ဒီဇိုင်းထုတ်ထားသော စက်မှုလုပ်ငန်းသုံး ethernet segment များကို စဉ်ဆက်မပြတ် multi-camera video နှင့် proprioception stream များ၏ bandwidth အတွက် အမြဲတမ်း အရွယ်အစားသတ်မှတ်ခြင်းမဟုတ်ပါ။ 1080p ကင်မရာနှစ်လုံးကို 30 fps ဖြင့် လည်ပတ်နေသော cell တစ်ခုအပြင် six-axis force data နှင့် joint state များသည် တစ်မိနစ်လျှင် raw episode data 150–300 MB ခန့်ကို ထုတ်လုပ်ပေးသည်။ ဖြန့်ကျက်မှုမပြုမီ storage နှင့် network infrastructure ကို စီစဉ်ခြင်းသည် နောက်ပိုင်းတွင် ပြန်လည်ပြုပြင်မှုကုန်ကျစရိတ်ကို ရှောင်ရှားနိုင်သည်။

ပိုက်လိုင်းများနှင့် ကိရိယာများကို အညွှန်းတပ်ခြင်း

အပိုင်းအစများကို မှတ်တမ်းတင်ခြင်းသည် လေ့ကျင့်ရန် အဆင်သင့်မဖြစ်ပါ။ ၎င်းတို့တွင် ဘာသာစကားမှတ်ချက်များ၊ အရာဝတ္ထုခွဲခြားမှုမျက်နှာဖုံးများနှင့် အချို့ကိစ္စများတွင် ဆုလာဘ်တံဆိပ်များ လိုအပ်သည်။

ဘာသာစကား မှတ်ချက်

ဘာသာစကားအခြေအနေသတ်မှတ်ထားသော VLA မော်ဒယ်များသည် အပိုင်းတစ်ခုစီ၏ လုပ်ငန်းတာဝန်၏ သဘာဝဘာသာစကားဖော်ပြချက်တစ်ခု လိုအပ်သည်။ သေးငယ်သောဒေတာစုများအတွက် ၎င်းကို ကိုယ်တိုင်လုပ်ဆောင်သည်။ အပိုင်း ၁၀,၀၀၀ အထက်ရှိသော ဒေတာစုများအတွက်၊ အမြင်အာရုံ-ဘာသာစကားမော်ဒယ်များ (GPT-4V၊ Gemini သို့မဟုတ် အထူးပြုစာတန်းထိုးမော်ဒယ်များ) ကို အသုံးပြု၍ အလိုအလျောက်မှတ်ချက်ပေးရန် လိုအပ်လာသည်။ အရည်အသွေးထိန်းချုပ်မှုတွင် အလိုအလျောက်မှတ်ချက်ပေးသည့်ကိရိယာတွင် စနစ်တကျအမှားများကိုဖမ်းမိရန်အတွက် နမူနာကို လူသားပြန်လည်သုံးသပ်ရန် လိုအပ်သည်။

အရာဝတ္ထုခွဲခြားခြင်းနှင့် ခြေရာခံခြင်း

အရာဝတ္ထုအခြေအနေအကြောင်း ကျိုးကြောင်းဆင်ခြင်သော မူဝါဒများသည် ခြယ်လှယ်ထားသော အရာဝတ္ထုများကို ဖော်ထုတ်သည့် အပိုင်းတစ်ခုလျှင် segmentation masks များမှ အကျိုးကျေးဇူးရရှိကြသည်။ Meta မှ Segment Anything Model (SAM 2) သည် dataset scale တွင် interactive segmentation ကို ကိုင်တွယ်နိုင်စေပြီး tracking propagation pass နှင့် ပေါင်းစပ်လိုက်သောအခါ အပိုင်းတစ်ခုလျှင် annotation အချိန်ကို နာရီမှ မိနစ်အထိ လျှော့ချပေးသည်။

RLHF အတွက် ဆုလာဘ်ပုံဖော်ခြင်း

အပိုင်းများတွင် အောင်မြင်မှုနှင့် ကျရှုံးမှု သရုပ်ပြမှု နှစ်မျိုးလုံး ပါဝင်သောအခါ၊ ဆုလာဘ်တံဆိပ်ကပ်ခြင်းသည် လူသားတုံ့ပြန်ချက် (RLHF) အသေးစိတ်ချိန်ညှိမှုမှ အားဖြည့်သင်ယူမှုကို ဖြစ်စေသည်။ လူသားမှတ်ချက်ပေးသူများသည် အပိုင်းရလဒ်များကို အဆင့်သတ်မှတ်ပြီး ထိုဦးစားပေးမှုများသည် မူဝါဒအပ်ဒိတ်များကို ပုံဖော်ပေးသည့် ဆုလာဘ်မော်ဒယ်ကို လေ့ကျင့်ပေးသည်။ ဤပိုက်လိုင်းကို Physical Intelligence ၏ pi0 ဖွံ့ဖြိုးတိုးတက်မှုတွင် အသုံးပြုပြီး MES မှ ဒွိစုံအောင်မြင်မှု/ကျရှုံးမှုတံဆိပ်များကို ရရှိနိုင်ပြီးဖြစ်သော စက်မှုလုပ်ငန်းဆိုင်ရာ လုပ်ငန်းတာဝန်လေ့ကျင့်မှုအတွက် စူးစမ်းလေ့လာနေပါသည်။

လျှို့ဝှက်ရေး၊ IP နှင့် Dataset လိုင်စင်ချထားပေးခြင်း

ပွင့်လင်းသောဒေတာစုပေါင်းပံ့ပိုးမှုများသည် စက်မှုလုပ်ငန်း OEM များပါဝင်ခြင်းမပြုမီ ဖြေရှင်းရန်လိုအပ်သော ဉာဏပစ္စည်းဆိုင်ရာပြဿနာများကို ပေါ်ပေါက်စေသည်။

အသုံးပြုနေသော အဓိကလိုင်စင်အမျိုးအစားများမှာ CC-BY (အထောက်အထားလိုအပ်သည်၊ စီးပွားဖြစ်အသုံးပြုရန်ခွင့်ပြုသည်)၊ CC-BY-NC (စီးပွားဖြစ်မဟုတ်သောသာ) နှင့် Apache 2.0 (ခွင့်ပြုသည်၊ စီးပွားဖြစ်အသုံးပြုမှုနှင့် မော်ဒယ်အလေးချိန်ပြန်လည်ခွဲဝေမှုအပါအဝင်) တို့ဖြစ်သည်။ ကိုယ်ပိုင်ဒေတာစုများ (Tesla Optimus၊ Figure's fleet data၊ Boston Dynamics) ကို ပြင်ပသို့ မျှဝေခြင်းမပြုပါ။

စက်ရုံ OEM များအတွက်၊ IP စိုးရိမ်မှုမှာ လုပ်ငန်းစဉ်ထိတွေ့မှုဖြစ်သည်- သတ်မှတ်ထားသော jigging configuration၊ tool path သို့မဟုတ် fixturing design ကိုပြသသည့် ဇာတ်လမ်းတွဲတစ်ခုသည် proprietary manufacturing methods များကို ဖော်ပြနိုင်သည်။ စံလျှော့ချရေးမှာ visual context ကို end-effector level သို့ ဖယ်ရှားရန်၊ joint-trajectory streams များကိုသာ ပံ့ပိုးပေးရန် (ကင်မရာဒေတာမပါဘဲ)၊ သို့မဟုတ် generic background နှင့်နှိုင်းယှဉ်၍ manipulation trajectory ၏ synthetic renderings များကို အသုံးပြုရန်ဖြစ်သည်။ ပေါ်ထွက်လာသော consortium model အများအပြားသည် Apache 2.0 data licenses များနှင့် ပေါင်းစပ်ထားသော အပြန်အလှန်ထုတ်ဖော်မှုသဘောတူညီချက်များအောက်တွင် အမည်မဖော်လိုသော စက်မှုလုပ်ငန်းဆိုင်ရာ data ပံ့ပိုးမှုအတွက် ဥပဒေဘောင်များကို ပေးဆောင်သည်။

၂၀၂၄ ခုနှစ် စက်ရုပ်သင်ယူမှုစစ်တမ်းတွင် Stanford CRFM နှင့် ပူးပေါင်းဆောင်ရွက်သူများ၏ ခွဲခြမ်းစိတ်ဖြာမှုအရ၊ ပိုင်ဆိုင်မှုဒေတာ silo များသည် လက်ရှိစံနှုန်းများထက်ကျော်လွန်၍ AI တိုးတက်မှုအတွက် အကြီးမားဆုံးဖွဲ့စည်းပုံဆိုင်ရာအတားအဆီးတစ်ခုဖြစ်သည်။ ပြည်တွင်းဒေတာအုပ်ချုပ်မှုမူဘောင်များကို တီထွင်သော စက်မှုလုပ်ငန်း OEM များသည် လာမည့် ၁၈-၂၄ လအတွင်း ထိုအစီအစဉ်များ တရားဝင်ဖြစ်လာသည်နှင့်အမျှ dataset consortia တွင် ပါဝင်ရန် ယခုအခါ နေရာယူထားမည်ဖြစ်သည်။

စက်ရုံ OEM များ ဒေတာကို မည်သို့ပံ့ပိုးကူညီနိုင်မည်နည်း။

စက်မှုလုပ်ငန်းအလိုအလျောက်စနစ်ပေးသွင်းသူများ (FANUC၊ ABB၊ KUKA နှင့် EVST ကဲ့သို့သော အသိအမှတ်ပြု turnkey integrators များအပါအဝင်) သည် ရိုဘော့ဟာ့ဒ်ဝဲနှင့် တကယ့်ထုတ်လုပ်မှုပတ်ဝန်းကျင်တို့၏ ဆုံချက်တွင် ရှိနေပါသည်။ လုပ်ငန်းလည်ပတ်မှုနှင့် ဥပဒေဆိုင်ရာ မူဘောင်တစ်ခု ရှိနေပါက ထိုရာထူးသည် ၎င်းတို့အား AI ဒေတာဂေဟစနစ်တွင် သဘာဝအလျောက် ပံ့ပိုးသူများဖြစ်စေသည်။

အဝေးထိန်းစနစ်ဖြင့် ಉಪನ್ಯಾವಿಸದೆ စမ်းသပ်ဆဲလ်များ

အလွယ်ကူဆုံးဝင်ရောက်သည့်နေရာမှာ ထုတ်လုပ်မှုစက်ရုပ်တွင် teleoperation overlay တပ်ဆင်ထားသည့် pilot cell ဖြစ်သည်- operator သည် ထုတ်လုပ်မှုလုပ်ငန်း၏ မျိုးကွဲများကို သရုပ်ပြရန်အသုံးပြုသည့် leader-follower arm တစ်ခုဖြစ်သည်။ ဤသရုပ်ပြမှုများကို အနည်းငယ်သောပမာဏ (ဇာတ်လမ်းတွဲ ၅၀-၅၀၀) တွင် စုဆောင်းထားပြီး ကြိုတင်လေ့ကျင့်ထားသော VLA မော်ဒယ်ကို သတ်မှတ်ထားသော ထုတ်လုပ်မှုလုပ်ငန်းပေါ်တွင် အသေးစိတ်ချိန်ညှိရန်အတွက် လုံလောက်ပါသည်။ pilot cell ချဉ်းကပ်မှုသည် ထုတ်လုပ်မှုဆဲလ်၏ ဘေးကင်းရေးအသိအမှတ်ပြုလက်မှတ်ကို ပြောင်းလဲရန် မလိုအပ်ပါ၊ အဘယ်ကြောင့်ဆိုသော် teleoperation စနစ်သည် parallel control path အဖြစ်မဟုတ်ဘဲ robot controller အတွက် input device အဖြစ် လုပ်ဆောင်သောကြောင့်ဖြစ်သည်။

ထုတ်လုပ်မှုရိုဘော့များတွင် မှတ်တမ်းတင်ခြင်းကို ပြန်လည်ပြုပြင်ခြင်း

ရှိပြီးသား ထုတ်လုပ်မှုရိုဘော့များကို အလေးချိန်ပေါ့ပါးသော မှတ်တမ်းတင်မော်ဂျူးများဖြင့် ပြန်လည်တပ်ဆင်နိုင်ပြီး ပူးတွဲအခြေအနေ၊ အဆုံးအကျိုးသက်ရောက်မှုပုံစံနှင့် လက်ကိုင်အားတို့ကို EtherCAT နှုန်းထားများဖြင့် မှတ်တမ်းတင်ကာ ထုတ်လုပ်မှုလည်ပတ်နေစဉ်အတွင်း edge server သို့ timestamped episode ဖိုင်များကို ရေးသားပေးပါသည်။ ၎င်းသည် ရိုဘော့၏ ထိန်းချုပ်မှုပရိုဂရမ်ကို ပြောင်းလဲရန် မလိုအပ်ပါ။ မှတ်တမ်းတင်ထားသောဒေတာသည် ဓာတ်ခွဲခန်းသရုပ်ပြမှုများထက် လုပ်ငန်းတာဝန်ကို ပိုမိုကိုယ်စားပြုသည့် ထုတ်လုပ်မှုကိုင်တွယ်မှုအပြုအမူကို ဖမ်းယူပါသည်။ EVST ၏ စက်မှုလုပ်ငန်းထိန်းချုပ်ကိရိယာများသည် 1 kHz EtherCAT လည်ပတ်မှုအချိန်များတွင် လည်ပတ်ပြီး CE/SGS/TUV စံနှုန်းများနှင့် အသိအမှတ်ပြုထားပြီး ဤမှတ်တမ်းတင်ခြင်းချဉ်းကပ်မှုအပေါ် မူတည်သည့် ဆုံးဖြတ်နိုင်သော အချိန်ကိုက်ဗိသုကာကို ပေးစွမ်းသည်။ ဒေတာကို သန့်ရှင်းရေးလုပ်ခြင်း၊ အမည်မဖော်လိုခြင်းနှင့် ကုန်ကျစရိတ်များသော ပြန်လည်ပေါင်းစည်းခြင်းလုပ်ငန်းမပါဘဲ စံရိုဘော့သင်ယူမှုဘောင်များအတွက် ဖော်မတ်ချနိုင်သည်။

အမည်မဖော်လိုသော ဒေတာအစုံ အစီအစဉ် ပါဝင်ခြင်း

ပေါ်ထွက်လာသော OEM အချက်အလက်စု ပရိုဂရမ်များ (AgiBot World ၏ open contribution track နှင့် ICRA 2025 တွင် ကျင်းပသော consortium ဆွေးနွေးမှုများစွာ အပါအဝင်) သည် မည်သူမည်ဝါဖြစ်ကြောင်း မဖော်ပြနိုင်သော စက်မှုလုပ်ငန်း ခြယ်လှယ်မှု ဒေတာများကို လက်ခံပါသည်။ EVST ကဲ့သို့ IATF16949 အသိအမှတ်ပြုလက်မှတ်ရှိသော OEM များတွင် ဤပရိုဂရမ်များက သတ်မှတ်ထားသော metadata သမာဓိလိုအပ်ချက်များနှင့် ကောင်းစွာ ကိုက်ညီသော လက်ရှိ အရည်အသွေးစီမံခန့်ခွဲမှု လုပ်ငန်းစဉ်များ ရှိသည်- ခြေရာခံနိုင်သော အချိန်တံဆိပ်များ၊ မှတ်တမ်းတင်ထားသော စုဆောင်းမှု ပရိုတိုကောများနှင့် အတည်ပြုထားသော အာရုံခံကိရိယာ ချိန်ညှိမှတ်တမ်းများ။

ဒေတာအားသာချက်အနေဖြင့် ကမ္ဘာလုံးဆိုင်ရာ ကွင်းဆင်းလွှမ်းခြုံမှု

နိုင်ငံပေါင်း ၁၀၀ ကျော်တွင် ကွင်းဆင်းအင်ဂျင်နီယာများရှိသော OEM တစ်ခုသည် အမှန်တကယ်ကွဲပြားသော ထုတ်လုပ်မှုပတ်ဝန်းကျင်များ (ကွဲပြားသော workpiece geometries၊ ပတ်ဝန်းကျင်အခြေအနေများ၊ အော်ပရေတာလူဦးရေစာရင်းဇယားများနှင့် လုပ်ငန်းစဉ်ကွဲပြားမှုများ) မှ AI လေ့ကျင့်ရေးဒေတာများကို စုဆောင်းနိုင်သည်။ ဤပထဝီဝင်ကွဲပြားမှုသည် တန်ဖိုးရှိပါသည်။ အဘယ်ကြောင့်ဆိုသော် ၎င်းအပေါ် လေ့ကျင့်ထားသော မူဝါဒများသည် တစ်ခုတည်းသောဓာတ်ခွဲခန်း သို့မဟုတ် အဆောက်အအုံမှ ဒေတာများအပေါ် လေ့ကျင့်ထားသော မူဝါဒများထက် ပိုမိုကောင်းမွန်စွာ ယေဘုယျအားဖြင့် တည်ရှိသောကြောင့်ဖြစ်သည်။ EVST ၏ ပေါက်ကွဲမှုဒဏ်ခံနိုင်သော အသိအမှတ်ပြုရိုဘော့များနှင့် အပြည့်အဝအကွာအဝေး ၃-၈၀၀ ကီလိုဂရမ် စီးရီးများသည် ဒေတာစုဆောင်းမှုကို ဓာတုဗေဒဆိုင်ရာ လုပ်ဆောင်ခြင်း၊ အန္တရာယ်ရှိသောပစ္စည်းကိုင်တွယ်ခြင်းနှင့် ပညာရေးဆိုင်ရာဒေတာစုအများစု လုံးဝမပါဝင်သော အပူချိန်အလွန်အမင်းထုတ်လုပ်မှုကဲ့သို့သော ပတ်ဝန်းကျင်များသို့ တိုးချဲ့နိုင်သည်ဟု ဆိုလိုသည်။

အဓိကစက်မှုလုပ်ငန်းဒေတာအချက်များ

အပြည်ပြည်ဆိုင်ရာ စက်ရုပ်ပညာအဖွဲ့ချုပ် (IFR) ၏ World Robotics 2024 အစီရင်ခံစာအရ ၂၀၂၃ ခုနှစ်တွင် ကမ္ဘာတစ်ဝှမ်းတွင် စက်မှုလုပ်ငန်းသုံး စက်ရုပ်ပေါင်း ၃.၉ သန်းကျော် လည်ပတ်နေသော်လည်း အကြီးဆုံး open robot manipulation datasets များတွင် ပေါင်းစပ်ထားသော အပိုင်း ၂ သန်းထက်နည်းပြီး ဖြန့်ကျက်ထားသော hardware နှင့် ရရှိနိုင်သော training data အကြား scale gap ကို သရုပ်ဖော်ထားသည်။ EVST သည် ထုတ်လုပ်မှုစက်ရုပ် fleet များကို passive data collection asset များအဖြစ်သို့ ပြောင်းလဲပေးသည့် retrofit logging architectures များကို စူးစမ်းလေ့လာခြင်းဖြင့် ဤပြဿနာကို ဖြေရှင်းသည်။

Open X-Embodiment စာတမ်း (Padalkar et al., Google DeepMind et al., 2023) အရ စက်ရုပ်အမျိုးအစား ၂၂+ မျိုးမှ cross-embodiment အချက်အလက်များအပေါ် လေ့ကျင့်ထားသော မော်ဒယ်များသည် မည်သည့် embodiment ၏ အချက်အလက်တစ်ခုတည်းအပေါ်တွင်မဆို လေ့ကျင့်ထားသော မော်ဒယ်များထက် hold-out task များတွင် တိုင်းတာ၍မရသော ပိုမိုကောင်းမွန်သော ယေဘုယျပြုလုပ်မှုကို ပြသခဲ့သည်။ EVST သည် ၎င်း၏ ထုတ်လုပ်မှုလိုင်း အသေးစိတ်ချိန်ညှိမှု အကဲဖြတ်မှုများအတွက် dataset utility ကို အကဲဖြတ်သည့်အခါ ၎င်း၏ အတွင်းပိုင်းဒေတာ အကဲဖြတ်မှု မူဘောင်ကို embodiment diversity ကို အပိုင်းအရေအတွက်နှင့်အတူ အလေးချိန်ရန် ဖွဲ့စည်းခြင်းဖြင့် ၎င်းကို ဖြေရှင်းသည်။

၂၀၂၄-၂၀၂၅ ခုနှစ်များတွင် စက်မှုလုပ်ငန်းဆိုင်ရာ လေ့လာတွေ့ရှိချက်များအရ၊ စံဒိုမိန်း ကျပန်းရွေးချယ်မှုနည်းစနစ်များက ယုံကြည်စိတ်ချရသော ဖုံးအုပ်မှုမပြုလုပ်နိုင်သော specular သို့မဟုတ် transparent object များပါဝင်သည့် ကိုင်တွယ်ဖြေရှင်းမှုလုပ်ငန်းများတွင် မူဝါဒပျက်ကွက်မှုအများစုမှာ visual sim-to-real gap ဖြစ်သည်။ EVST သည် ၎င်း၏ AI-enhanced motion planning roadmap အတွက် candidate augmentation layer များအဖြစ် photorealistic simulation tools (အထူးသဖြင့် NVIDIA Cosmos နှင့် Gaussian Splatting pipelines) ကို စောင့်ကြည့်ခြင်းဖြင့် ၎င်းကို ဖြေရှင်းသည်။

ဆက်စပ်လမ်းညွှန်များ

• စက်မှုလုပ်ငန်းသုံး ရိုဘော့တစ်နည်းပညာတွင် ပါဝင်သော AI နှင့် VLA မော်ဒယ်များ- စက်ရုံအင်ဂျင်နီယာများ သိထားသင့်သည်များ။ vision-language-action မော်ဒယ်များ၏ ဗိသုကာနှင့် ထုတ်လုပ်မှု ဟာ့ဒ်ဝဲပေါ်တွင် ၎င်းတို့၏ ဖြန့်ကျက်မှု ကန့်သတ်ချက်များကို လွှမ်းခြုံထားသည်။
• ၂၀၂၆ ခုနှစ် စက်မှုထုတ်လုပ်မှုတွင် လူသားပုံစံ စက်ရုပ်များ။ ရိုးရာစက်မှုလက်မောင်းများနှင့် နှိုင်းယှဉ်လျှင် humanoid ပလက်ဖောင်းများဖြင့် မည်သည့်တာဝန်များကို အမှန်တကယ်ကိုင်တွယ်ဖြေရှင်းနိုင်သည်ကို ဆန်းစစ်သည်။
• ၂၀၂၆ ခုနှစ်တွင် စက်ရုံသုံးအတွက် လူသားနှင့်တူသော စက်ရုပ်များနှင့် စက်မှုလုပ်ငန်းသုံး စက်ရုပ်လက်များ နှိုင်းယှဉ်ခြင်း။ ပုံစံအချက်နှစ်ခုကြားရှိ စွမ်းရည်၊ ကုန်ကျစရိတ်နှင့် ပေါင်းစပ်မှုရှုပ်ထွေးမှုကို တိုက်ရိုက်နှိုင်းယှဉ်ခြင်း။
• ၂၀၂၆ ခုနှစ်တွင် Cobots များအတွက် ပြီးပြည့်စုံသောလမ်းညွှန်- အမျိုးအစားများ၊ ရွေးချယ်မှုများနှင့် အသုံးချမှုများဝန်တင်ယာဉ်၊ အပလီကေးရှင်းနှင့် ပတ်ဝန်းကျင်လိုအပ်ချက်များတစ်လျှောက် ပူးပေါင်းဆောင်ရွက်သည့် စက်ရုပ်ရွေးချယ်မှုအတွက် အခြေခံကိုးကားချက်။

ေမးေလ့ရွိသည့္ေမးခြန္းမ်ား

ဘာသာစကားမော်ဒယ်များအတွက် ဒေတာစုဆောင်းခြင်းထက် ပါဝင်သော AI အချက်အလက်စုဆောင်းခြင်းသည် အဘယ်ကြောင့် ပိုမိုခက်ခဲသနည်း။

ဘာသာစကားမော်ဒယ်များသည် အင်တာနက်ပေါ်တွင် ကြီးမားသောအတိုင်းအတာဖြင့် ရှိနှင့်ပြီးဖြစ်သော စာသားပေါ်တွင် လေ့ကျင့်ကြသည်။ အကောင်အထည်ဖော်ထားသော AI စက်ရုပ်များသည် လုပ်ဆောင်ချက်-တွဲဖက်ထားသော အာရုံခံမော်တာဒေတာများ- ထပ်တူကျသော အဆစ်ထောင့်များ၊ ဂရစ်ပါအားများ၊ ကင်မရာဘောင်များနှင့် အလုပ်အခြေအနေတို့ကို ရုပ်ပိုင်းဆိုင်ရာ ကိုင်တွယ်မှုအတွင်း မှတ်တမ်းတင်ထားသည်။ ထိုဒေတာသည် ဝဘ်အတိုင်းအတာတွင် မရှိဘဲ ထုတ်လုပ်ရန် စျေးကြီးသည်။ အဝေးထိန်းစနစ်ဖြင့် လုပ်ဆောင်သော အပိုင်းတစ်ခုစီသည် တစ်ခုတည်းသော လေ့ကျင့်ရေးလမ်းကြောင်းကို ထုတ်လုပ်ရန် ကျွမ်းကျင်သော အော်ပရေတာအချိန် ၁ မိနစ်မှ ၁၀ မိနစ်အထိ ကြာလေ့ရှိပြီး အော်ပရေတာသည် စက်ရုပ်၏ ဒိုင်းနမစ်နှင့် မရင်းနှီးပါက အရည်အသွေး ကျဆင်းသွားသည်။

စက်ရုပ်လေ့ကျင့်ရေးမှာ sim-to-real transfer နဲ့ domain randomization ရဲ့ ကွာခြားချက်က ဘာလဲ။

Sim-to-real transfer သည် ကျယ်ပြန့်သောရည်မှန်းချက်ဖြစ်သည်- simulation တွင် မူဝါဒတစ်ခုကို လေ့ကျင့်ပေးပြီး စွမ်းဆောင်ရည်ကျဆင်းခြင်းမရှိဘဲ ရုပ်ပိုင်းဆိုင်ရာရိုဘော့ပေါ်တွင် ဖြန့်ကျက်ပါ။ Domain randomization သည် ထိုရည်မှန်းချက်အောင်မြင်ရန် နည်းစနစ်တစ်ခုဖြစ်သည်။ ၎င်းသည် လေ့ကျင့်နေစဉ်အတွင်း simulation parameters များ — အလင်းရောင်၊ texture များ၊ friction coefficient များ၊ object mass များကို random ပြောင်းလဲပေးသောကြောင့် မူဝါဒသည် simulated appearance တစ်ခုတည်းနှင့် overfitting မလုပ်ဘဲ real-world variation ကိုကိုင်တွယ်ရန် သင်ယူသည်။ အခြားနည်းလမ်းများတွင် domain adaptation၊ photorealistic rendering (NVIDIA Cosmos ကဲ့သို့) နှင့် system identification တို့ပါဝင်သည်။

Open X-Embodiment ဆိုတာဘာလဲ၊ ရိုဘော့အမျိုးအစား ဘယ်နှစ်မျိုးကို လွှမ်းခြုံထားလဲ။

Open X-Embodiment သည် Google DeepMind မှ သုတေသနအဖွဲ့အစည်း ၃၃ ခုဖြင့် စုစည်းထားသော ကြီးမားသော open robot learning dataset တစ်ခုဖြစ်သည်။ ၎င်းသည် စက်ရုပ်ပုံစံ ၂၂ ခုကျော် — လက်တစ်ဖက်တည်းဖြင့် ကိုင်တွယ်သည့်ကိရိယာများ၊ လက်နှစ်ဖက်သုံးကိရိယာများ၊ ရွေ့လျားနိုင်သောအခြေစိုက်စခန်းများနှင့် ကျွမ်းကျင်သောလက်များ — တို့တွင် စက်ရုပ်ဇာတ်လမ်းတွဲ ၁ သန်းကျော်ကို စုစည်းထားသည်။ OXE တွင် လေ့ကျင့်ထားသော RT-X မော်ဒယ်များသည် ပုံစံတစ်ခုတည်းဖြင့် လေ့ကျင့်ခြင်းနှင့် နှိုင်းယှဉ်ပါက cross-embodiment လေ့ကျင့်မှုသည် မူဝါဒယေဘုယျပြုလုပ်ခြင်းကို တိုးတက်ကောင်းမွန်စေကြောင်း ပြသခဲ့သည်။

စက်ရုံ OEM တစ်ခုဟာ ပိုင်ဆိုင်မှုဆိုင်ရာ လုပ်ငန်းစဉ်ဆိုင်ရာ IP ကို ​​မဖော်ထုတ်ဘဲ ပါဝင်တဲ့ AI လေ့ကျင့်ရေးမှာ robot data ကို ဘယ်လိုထည့်သွင်းနိုင်မလဲ။

လက်တွေ့အကျဆုံးချဉ်းကပ်မှုမှာ အမည်မဖော်လိုသော အပိုင်းပံ့ပိုးမှုဖြစ်သည်- strip process-identifying metadata (အပိုင်းနံပါတ်များ၊ ဖောက်သည်ရည်ညွှန်းချက်များ၊ cycle-time targets) နှင့် joint-trajectory နှင့် gripper-state streams များကိုသာ ပံ့ပိုးကူညီသည်။ AgiBot World နှင့် emerging OEM consortium initiatives များအပါအဝင် dataset program အများအပြားသည် Apache 2.0 သို့မဟုတ် CC-BY အသုံးအနှုန်းများအောက်တွင် de-identified industrial manipulation data ကို လက်ခံသည်။ deterministic EtherCAT timestamps များဖြင့် logging infrastructure သည် အပိုင်းအရည်အသွေးသည် dataset intake စံနှုန်းများနှင့် ကိုက်ညီကြောင်း သေချာစေသည်။

စက်မှုလုပ်ငန်းဆိုင်ရာ ကိုင်တွယ်ဖြေရှင်းမှုလုပ်ငန်းများအတွက် မည်သည့် အဝေးထိန်းစနစ်ဒေတာစုဆောင်းမှုစနစ်သည် အကောင်းဆုံးအလုပ်လုပ်သနည်း။

စက်မှုလုပ်ငန်းဆိုင်ရာ ခြယ်လှယ်မှုအတွက် ဦးဆောင်ရွေးချယ်စရာများမှာ ALOHA 2 (လက်နှစ်ဖက်သုံး ခေါင်းဆောင်-နောက်လိုက်လက်မောင်းများ၊ ကုန်ကျစရိတ်နည်း၊ open-source)၊ UMI (လက်ကောက်ဝတ်တွင်တပ်ဆင်ထားသော၊ စက်ရုပ်မှခွဲထုတ်ထားသော၊ အလွန်သယ်ဆောင်ရလွယ်ကူသည်) နှင့် ဝန်အားမြင့်မားသော သို့မဟုတ် ခန္ဓာကိုယ်တစ်ခုလုံးအတွက် exoskeleton-based capture တို့ဖြစ်သည်။ Apple Vision Pro သို့မဟုတ် Meta Quest 3 ကိုအသုံးပြုသော VR rigs များသည် အလိုလိုသိနိုင်သော လက်နှစ်ဖက်သုံး capture အတွက် ရေပန်းစားလာသော်လည်း လူ့လက် kinematics ကို စက်ရုပ်အဆစ်နေရာသို့ ဘာသာပြန်ဆိုရန် retargeting pipelines များ လိုအပ်ပါသည်။ မှန်ကန်သောရွေးချယ်မှုသည် ပစ်မှတ်စက်ရုပ်၏ လွတ်လပ်မှုအတိုင်းအတာ၊ ဝန်ထုပ်ဝန်ပိုးနှင့် လုပ်ငန်းတွင် လက်နှစ်ဖက်လိုအပ်ခြင်း ရှိ၊ မရှိပေါ်တွင် မူတည်ပါသည်။

နောက်ဆုံးပြုပြင်မွမ်းမံခြင်း - Aprilပြီလ 23၊ 2026

ကျွန်တော်တို့ရဲ့ကြည့်ရှုပါ ပေါင်းစပ်ထားသော AI ဖြေရှင်းချက်များ →