อัปเดตครั้งล่าสุด: 23 เมษายน 2026

การเก็บรวบรวมข้อมูลสำหรับปัญญาประดิษฐ์เชิงกายภาพ: การควบคุมระยะไกล การจำลองสู่ความเป็นจริง และชุดข้อมูลอุตสาหกรรมในปี 2026

ข้อมูลคือคอขวดสำหรับ AI ที่มีร่างกาย ไม่ใช่พลังการประมวลผล การฝึกหุ่นยนต์ให้ทำตามนโยบายนั้นต้องการกระแสข้อมูลสถานะการกระทำที่ประสานกัน ซึ่งหาได้ยากในระดับอินเทอร์เน็ต ปัจจุบันมีแหล่งข้อมูลสามแหล่งที่ตอบสนองความต้องการนี้ การควบคุมระยะไกลโดยมนุษย์ให้ผลลัพธ์การสาธิตคุณภาพสูง แต่ต้องแลกมาด้วยเวลาของผู้ควบคุม การถ่ายโอนจากแบบจำลองสู่ความเป็นจริงช่วยเพิ่มจำนวนตอน แต่ทำให้เกิดช่องว่างด้านความสมจริง ชุดข้อมูลเปิดขนาดใหญ่รวบรวมข้อมูลจากห้องปฏิบัติการและแพลตฟอร์มต่างๆ มากมาย

เหตุใดข้อมูลจึงเป็นอุปสรรคสำคัญของ AI ที่ผสานรวมเข้ากับร่างกาย

การประมวลผลมีการพัฒนาไปตามเส้นโค้งที่คาดการณ์ได้ ปัจจุบันคลัสเตอร์ GPU ที่สามารถฝึกฝนโมเดลการมองเห็น-ภาษา-การกระทำ (VLA) ที่มีพารามิเตอร์นับพันล้านตัวนั้นมีวางจำหน่ายในเชิงพาณิชย์แล้ว สิ่งที่ยังไม่พัฒนาตามไปด้วยคือข้อมูลที่โมเดลเหล่านั้นต้องการ: การสังเกตและการกระทำที่จับคู่กันซึ่งบันทึกไว้ในระหว่างการควบคุมหุ่นยนต์ทางกายภาพ โดยมีความหลากหลายของงานและลักษณะทางกายภาพมากพอที่จะสร้างนโยบายที่สามารถนำไปใช้ได้ทั่วไป

แบบจำลองภาษาสามารถประมวลผลโทเค็นได้ถึงหนึ่งล้านล้านโทเค็นจากเว็บภายในไม่กี่สัปดาห์ แต่ชุดข้อมูลการควบคุมหุ่นยนต์ต้องสร้างขึ้นทีละตอน โดยแต่ละตอนต้องใช้หุ่นยนต์จริง สภาพแวดล้อมจริงหรือจำลอง คำจำกัดความของงาน และผู้ควบคุมที่เป็นมนุษย์หรือการสาธิตตามสคริปต์ สหพันธ์หุ่นยนต์นานาชาติ (IFR) ประมาณการว่ามีหุ่นยนต์อุตสาหกรรมกว่า 3.9 ล้านตัวที่ใช้งานอยู่ทั่วโลกในปี 2024 แต่ชุดข้อมูลการควบคุมแบบเปิดที่ใหญ่ที่สุดมีเพียงประมาณหนึ่งล้านตอนเท่านั้น ช่องว่างนี้ไม่ได้ลดลงอย่างรวดเร็ว

ความท้าทายยิ่งทวีคูณเมื่อพิจารณาถึงช่องว่างของรูปแบบการทำงาน: นโยบายที่ฝึกฝนกับหุ่นยนต์แขนเดียว 6 องศาอิสระ ไม่สามารถถ่ายทอดไปยังหุ่นยนต์ฮิวมานอยด์สองแขนหรือฐานเคลื่อนที่ที่มีแขนได้อย่างราบรื่น รูปแบบหุ่นยนต์ใหม่แต่ละแบบจะทำให้ความต้องการข้อมูลเปลี่ยนแปลงไปอย่างสิ้นเชิง วิธีการแบ่งการกระทำออกเป็นกลุ่ม (โดยที่นโยบายส่งออกลำดับการกระทำหลายขั้นตอนแทนที่จะเป็นขั้นตอนเดียว) ช่วยลดความหน่วงในการประมวลผล แต่ไม่ได้ลดความจำเป็นในการครอบคลุมการฝึกฝนที่หลากหลาย

ตามเอกสาร Open X-Embodiment (Padalkar et al., 2023, Google DeepMind et al.) การฝึกอบรมข้ามรูปแบบ (cross-embodiment) บนข้อมูลหุ่นยนต์ที่หลากหลายสามารถปรับปรุงการวางนโยบายให้ครอบคลุมได้ดีกว่าชุดข้อมูลแบบรูปแบบเดียว (single-embodiment datasets) EVST จึงจัดการกับเรื่องนี้โดยการประเมินคุณภาพของชุดข้อมูลข้ามรูปแบบเป็นส่วนหนึ่งของกระบวนการประเมินภายในเมื่อเลือกการวางแผนการเคลื่อนไหวที่เสริมด้วย AI สำหรับหุ่นยนต์ขนาด 3–800 กก. ทุกรุ่น สำหรับด้านฮาร์ดแวร์ของกลยุทธ์ข้อมูลนี้ โปรดดูที่... โซลูชัน AI แบบบูรณาการของ EVSTรวมถึงหุ่นยนต์ฮิวมานอยด์ มือเก็บข้อมูลที่คล่องแคล่ว หุ่นยนต์สี่ขา และแพลตฟอร์มนำร่องสำหรับการพัฒนาปัญญาประดิษฐ์แบบมีร่างกาย

แหล่งข้อมูลหลักสามแหล่ง: จุดแข็งและข้อจำกัด

การควบคุมระยะไกล

การควบคุมระยะไกลช่วยให้สามารถบันทึกการสาธิตคุณภาพระดับผู้เชี่ยวชาญบนฮาร์ดแวร์หุ่นยนต์เป้าหมายได้ ผู้ควบคุมจะควบคุมหุ่นยนต์จากระยะไกลผ่านแขนกลแบบนำ-ตาม ชุดหูฟัง VR ชุดโครงกระดูกภายนอก หรืออินเทอร์เฟซแบบพกพา ในขณะที่ระบบจะบันทึกทุกมุมข้อต่อ สถานะของตัวจับยึด การอ่านค่าแรง และเฟรมกล้องพร้อมกัน เนื่องจากข้อมูลมาจากมนุษย์ที่ปฏิบัติงานจริงบนหุ่นยนต์จริง ความสอดคล้องระหว่างการกระทำและสถานะจึงแม่นยำ และช่องว่างระหว่างการจำลองและการใช้งานเป็นศูนย์

ข้อจำกัดอยู่ที่ปริมาณงาน ผู้ควบคุมระยะไกลที่มีทักษะสามารถผลิตข้อมูลได้ประมาณ 5-50 ตอนต่อชั่วโมง ขึ้นอยู่กับความซับซ้อนของงาน และคุณภาพของข้อมูลจะลดลงเมื่อผู้ควบคุมเหนื่อยล้า การควบคุมระยะไกลยังไม่สามารถรองรับการกู้คืนจากความล้มเหลวได้หากไม่มีการออกแบบโปรโตคอลอย่างรอบคอบ: หากผู้ควบคุมประสบความสำเร็จเสมอ นโยบายก็จะไม่เรียนรู้ที่จะกู้คืนจากความผิดปกติ

การโอนย้ายจากซิมเป็นเรียล

โปรแกรมจำลองทางฟิสิกส์ (MuJoCo, NVIDIA Isaac Sim, Isaac Lab, PyBullet) ช่วยให้นักวิจัยสร้างสถานการณ์จำลองหุ่นยนต์ได้นับล้านครั้งโดยมีต้นทุนส่วนเพิ่มเกือบเป็นศูนย์ คลัสเตอร์ GPU เพียงตัวเดียวสามารถรันการจำลองแบบขนานได้หลายพันรายการในชั่วข้ามคืน ต้นทุนจะปรากฏขึ้นเมื่อนำไปใช้งานจริง: นโยบายที่ฝึกฝนในโปรแกรมจำลองมักล้มเหลวเมื่อเผชิญกับพลวัตการสัมผัสในโลกแห่งความเป็นจริง สัญญาณรบกวนจากเซ็นเซอร์ และความแปรปรวนทางภาพที่โปรแกรมจำลองไม่ได้จำลองอย่างแม่นยำ การลดช่องว่างระหว่างการจำลองกับความเป็นจริงนี้เป็นหัวข้อการวิจัยที่กำลังดำเนินอยู่

วิดีโอทางอินเทอร์เน็ตและการสังเกตการณ์แบบไม่เปิดเผยตัวตน

แบบจำลองภาษาภาพขนาดใหญ่ที่ได้รับการฝึกฝนล่วงหน้าจากวิดีโอทางอินเทอร์เน็ต ช่วยให้เข้าใจฉากโดยทั่วไป ซึ่งช่วยในการกำหนดขอบเขตของงาน สถาปัตยกรรม pi0 ของ Physical Intelligence และการออกแบบ VLA ที่คล้ายกัน ใช้การฝึกฝนวิดีโอเบื้องต้นเพื่อเริ่มต้นทักษะการจัดการก่อนที่จะปรับแต่งอย่างละเอียดในการสาธิตหุ่นยนต์ ข้อจำกัดคือ วิดีโอไม่มีป้ายกำกับการกระทำ: วิดีโอแสดงให้เห็นมือที่กำลังจับวัตถุ แต่ไม่ได้บันทึกแรงที่ใช้หรือมุมข้อต่อของแขนหุ่นยนต์ที่เทียบเท่ากัน แบบจำลองพลศาสตร์ผกผันสามารถอนุมานการกระทำจากวิดีโอได้บางส่วน แต่ป้ายกำกับเทียมที่ได้นั้นมีสัญญาณรบกวน

ฮาร์ดแวร์และโปรโตคอลการควบคุมระยะไกล

การเลือกใช้อินเทอร์เฟซการควบคุมระยะไกลมีผลต่อทั้งคุณภาพของข้อมูลและปริมาณงานในการเก็บรวบรวมข้อมูล ด้านล่างนี้คือระบบที่มีการใช้งานมากที่สุดในโครงการวิจัยและเชิงพาณิชย์ปี 2025–2026

อาวุธผู้นำ-ผู้ตาม: อโลฮา และ อโลฮาเคลื่อนที่

ALOHA (A Low-cost Open-source Hardware System for Bimanual Teleoperation) พัฒนาขึ้นที่มหาวิทยาลัยสแตนฟอร์ด โดยใช้แขนนำสองข้างราคาไม่แพงที่ผู้ใช้งานควบคุมด้วยมือ ในขณะที่แขนตามสองข้างที่เข้าคู่กันบนหุ่นยนต์จะจำลองการเคลื่อนไหวแบบเรียลไทม์ การออกแบบแบบสองมือนี้รองรับงานที่ต้องใช้สองมือซึ่งระบบแขนเดียวไม่สามารถทำได้ ALOHA รุ่นเคลื่อนที่ได้ขยายแพลตฟอร์มไปยังฐานเคลื่อนที่ ALOHA 2 ซึ่งเปิดตัวในปี 2024 ได้ปรับปรุงความแม่นยำในการติดตามข้อต่อและหลักสรีรศาสตร์ของผู้ใช้งาน ต้นทุนฮาร์ดแวร์ต่ำกว่า 20,000 ดอลลาร์สหรัฐสำหรับคู่แขนนำและแขนตาม ซึ่งทำให้มีการนำไปใช้ในห้องปฏิบัติการทางวิชาการหลายสิบแห่ง

อินเทอร์เฟซแบบสวมข้อมือ: UMI

ระบบ Universal Manipulation Interface (UMI) จากมหาวิทยาลัยสแตนฟอร์ดและโคลัมเบีย ติดตั้งกล้องฟิชอายและตัวเข้ารหัสไว้บนตัวจับยึดแบบมือถือ ผู้ใช้งานสาธิตการทำงานในสภาพแวดล้อมจริง ในขณะที่ตัวจับยึดจะบันทึกท่าทางของปลายแขนและสถานะการจับยึด UMI แยกการเก็บข้อมูลออกจากหุ่นยนต์: การสาธิตสามารถเก็บข้อมูลได้ในภาคสนามและนำไปใช้กับหุ่นยนต์รูปแบบต่างๆ ในภายหลัง ทำให้มีประโยชน์อย่างยิ่งสำหรับการเก็บข้อมูลการทำงานในสภาพแวดล้อมจริงนอกห้องปฏิบัติการ

เวอร์ชวลไลเซชันและจอแสดงผลแบบสวมศีรษะ

Apple Vision Pro และ Meta Quest 3 กำลังอยู่ระหว่างการศึกษาเพื่อใช้เป็นอินเทอร์เฟซควบคุมระยะไกล จุดเด่นคือการติดตามมือแบบสองมือที่มีองศาอิสระ 6 องศา พร้อมการควบคุมที่ใช้งานง่ายจากผู้ใช้งาน ความท้าทายทางวิศวกรรมอยู่ที่การปรับเป้าหมายใหม่: จลนศาสตร์ของมือมนุษย์ (ห้านิ้ว 27 ข้อต่อ) ต้องถูกแปลงเป็นคำสั่งของปลายแขนหุ่นยนต์ (โดยทั่วไปคือตัวจับยึดที่มีองศาอิสระ 1 องศา หรือมือที่คล่องแคล่วที่มีองศาอิสระ 12-16 องศา) หากไม่มีการปรับเป้าหมายใหม่อย่างระมัดระวัง การสาธิตที่บันทึกไว้จะมีเพียงความตั้งใจของผู้ใช้งาน แต่ไม่ใช่การกระทำของหุ่นยนต์ที่สามารถดำเนินการได้โดยตรง

โครงกระดูกภายนอกและการจับภาพทั้งตัว

สำหรับหุ่นยนต์ฮิวมานอยด์ที่ต้องการข้อมูลการเคลื่อนไหวของร่างกายทั้งหมด (รวมถึงการเคลื่อนที่ควบคู่กับการใช้มือหยิบจับสิ่งของ) ชุดโครงกระดูกภายนอกจะบันทึกข้อมูลการเคลื่อนไหวของร่างกายทั้งหมดด้วยอัตราการสุ่มตัวอย่างที่สูงกว่า 100 เฮิรตซ์ AgiBot ใช้แนวทางที่อิงตามโครงกระดูกภายนอกในการรวบรวมข้อมูลการใช้มือหยิบจับสิ่งของของหุ่นยนต์ฮิวมานอยด์สำหรับชุดข้อมูล AgiBot World ในทำนองเดียวกัน การควบคุมระยะไกลของ Fourier GR-1 ก็อาศัยอุปกรณ์บันทึกข้อมูลแบบสวมใส่ได้ที่เข้ากับโครงสร้างข้อต่อของหุ่นยนต์

รูปทรงและกองเรือพาณิชย์ขนาดใหญ่

Figure AI ดำเนินการระบบควบคุมระยะไกลที่เป็นกรรมสิทธิ์ของตนเองทั่วทั้งโรงงานผลิตของ BMW โมเดลวงล้อข้อมูล ซึ่งหุ่นยนต์แต่ละตัวที่ใช้งานอยู่จะรวบรวมข้อมูลใหม่ๆ เพื่อป้อนกลับเข้าสู่การฝึกฝนนั้น ยังเป็นหัวใจสำคัญของกลยุทธ์การพัฒนาของ Tesla Optimus ด้วย ระบบวงปิดเหล่านี้สะสมข้อมูลอุตสาหกรรมในอัตราที่ชุดข้อมูลทางวิชาการแบบเปิดไม่สามารถเทียบได้

การเปรียบเทียบแพลตฟอร์มการควบคุมระยะไกล

หมายเหตุ: ตัวเลขปริมาณงานเป็นช่วงโดยประมาณที่ได้จากงานวิจัยที่ตีพิมพ์และรายงานของนักวิจัย ทักษะของผู้ปฏิบัติงานแต่ละคนและความซับซ้อนของงานส่งผลต่อผลลัพธ์อย่างมาก

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

ระบบนิเวศของชุดข้อมูลเปิดได้ขยายตัวอย่างรวดเร็วตั้งแต่ปี 2022 ด้านล่างนี้คือภาพรวมของชุดข้อมูลที่มีการอ้างอิงมากที่สุด ณ ต้นปี 2026

Open X-Embodiment (OXE) และ RT-X

OXE สร้างขึ้นโดย Google DeepMind โดยมีสถาบันผู้ร่วมให้ข้อมูล 33 แห่ง รวบรวมข้อมูลจากตอนต่างๆ มากกว่า 1 ล้านตอน จากหุ่นยนต์มากกว่า 22 ประเภท โมเดล RT-X ที่เกี่ยวข้องแสดงให้เห็นว่า การฝึกฝนด้วยข้อมูลแบบรวมจากหลายรูปแบบนั้น มีประสิทธิภาพเหนือกว่าการฝึกฝนด้วยข้อมูลแบบรูปแบบเดียว ในการทดสอบความสามารถในการสรุปผล OXE เผยแพร่ภายใต้ใบอนุญาต CC-BY และ Apache 2.0 ผสมกัน ขึ้นอยู่กับสถาบันผู้ร่วมให้ข้อมูล สามารถเข้าถึงได้ผ่านทางเว็บไซต์ RT-X และ HuggingFace

Droid

DROID (Distributed Robot Interaction Dataset) เป็นชุดข้อมูลการปฏิสัมพันธ์ของหุ่นยนต์ที่รวบรวมจากห้องปฏิบัติการวิจัย 13 แห่งในอเมริกาเหนือ โดยใช้หุ่นยนต์ Franka Panda ที่ได้มาตรฐาน พร้อมด้วยอินเทอร์เฟซการควบคุมระยะไกลแบบ ALOHA ชุดข้อมูลนี้ประกอบด้วยเหตุการณ์ประมาณ 76,000 เหตุการณ์ เกี่ยวกับงานการจัดการสิ่งของในครัวเรือนและบนโต๊ะที่หลากหลาย การใช้ฮาร์ดแวร์ที่ได้มาตรฐานในทุกสถานที่ทำให้ DROID เป็นหนึ่งในชุดข้อมูลการจัดการขนาดใหญ่ที่สะอาดที่สุดสำหรับการจำลองพฤติกรรมและการทดลอง RLHF (Remote Robotic Hyperintensity)

บริดจ์ดาต้า วี2

BridgeData V2 จากมหาวิทยาลัยแคลิฟอร์เนีย เบิร์กลีย์ และสแตนฟอร์ด ประกอบด้วยตัวอย่างการใช้งานประมาณ 60,000 รายการ ครอบคลุมงานควบคุมหุ่นยนต์บนโต๊ะหลากหลายประเภท โดยใช้แขนกล WidowX และโดดเด่นด้วยความหลากหลายของงาน (มากกว่า 70 หมวดหมู่งานที่แตกต่างกัน) ซึ่งทำให้เป็นเกณฑ์มาตรฐานสำหรับการปรับแต่งโมเดล VLA เผยแพร่ภายใต้ลิขสิทธิ์ CC-BY 4.0

โรโบเซ็ต

RoboSet จาก IIT Delhi และผู้ร่วมงาน ได้รวบรวมข้อมูลการทำงานหลายอย่างในครัวโดยใช้หุ่นยนต์ Franka Panda โดยประกอบด้วยข้อมูลการสังเกตการณ์แบบ RGB-D และคำอธิบายประกอบภาษาสำหรับแต่ละขั้นตอน RoboSet ได้รับการออกแบบมาโดยเฉพาะเพื่อรองรับการประเมินนโยบายที่อิงตามภาษา ทำให้มีประโยชน์สำหรับการทดสอบการวางนัยทั่วไปของการปฏิบัติตามคำสั่ง

อาร์เอชทูที

RH20T (Robot-Human 20 Tasks) เป็นชุดข้อมูลขนาดใหญ่สำหรับการฝึกการควบคุมหุ่นยนต์ที่มีการสัมผัสหลากหลายรูปแบบ โดยมีข้อมูลการรับรู้ตำแหน่งของหุ่นยนต์ที่ซิงโครไนซ์กัน วิดีโอ RGB ข้อมูลความลึก ข้อมูลสัมผัส และข้อมูลเสียง ความสมบูรณ์ของข้อมูลหลายรูปแบบนี้ทำให้ RH20T เป็นแหล่งอ้างอิงสำหรับนักวิจัยที่ทำงานเกี่ยวกับนโยบายที่ต้องการการรับรู้จากการสัมผัส ไม่ใช่แค่การสังเกตด้วยสายตาเพียงอย่างเดียว

อากิบอท เวิลด์

AgiBot World คือชุดข้อมูลการควบคุมหุ่นยนต์ฮิวมานอยด์ที่สร้างโดย AgiBot บริษัทหุ่นยนต์จากประเทศจีน โดยใช้ระบบเก็บรวบรวมข้อมูลแบบโครงกระดูกภายนอก (exoskeleton) ชุดข้อมูลนี้เน้นที่งานควบคุมหุ่นยนต์ฮิวมานอยด์แบบเต็มตัว และเป็นหนึ่งในชุดข้อมูลขนาดใหญ่ชุดแรกๆ ที่มุ่งเป้าไปที่หุ่นยนต์ฮิวมานอยด์ในระดับอุตสาหกรรมโดยเฉพาะ AgiBot World เปิดให้ใช้งานภายใต้ใบอนุญาตการวิจัยแบบเปิดสำหรับการใช้งานที่ไม่ใช่เชิงพาณิชย์

ชุดข้อมูลอ้างอิง AI ที่มีตัวตนสาธารณะ

จำนวนตอนและเงื่อนไขการอนุญาตใช้งานอ้างอิงจากเอกสารชุดข้อมูลและแหล่งข้อมูลอย่างเป็นทางการ ณ ต้นปี 2026 โปรดตรวจสอบเงื่อนไขปัจจุบันก่อนใช้งาน

เครื่องมือจำลองสู่ความเป็นจริง: Isaac Sim, MuJoCo, Cosmos และ Domain Randomization

การจำลองช่วยเพิ่มปริมาณการสร้างข้อมูล คำถามที่สำคัญคือควรใช้โปรแกรมจำลองใด และจะลดช่องว่างระหว่างการจำลองกับฮาร์ดแวร์จริงได้อย่างไร

มูโจโค

MuJoCo (Multi-Joint dynamics with Contact) ยังคงเป็นมาตรฐานสำหรับการวิจัยด้านการควบคุมการเคลื่อนไหวที่มีการสัมผัสอย่างใกล้ชิด เอนจินฟิสิกส์ของมันสามารถจัดการกับพลศาสตร์ของวัตถุแข็ง การสัมผัสแบบอ่อน และระบบที่ขับเคลื่อนด้วยเอ็นได้อย่างมีประสิทธิภาพ ทำให้สามารถฝึกฝนแบบขนานได้หลายพันรอบบนคลัสเตอร์ GPU เดียว การเปิดตัวแบบโอเพนซอร์สภายใต้ Google DeepMind ในปี 2022 ได้เร่งการนำไปใช้งานอย่างมีนัยสำคัญ การจำลองพฤติกรรมและการวัดประสิทธิภาพ RLHF ในเชิงวิชาการส่วนใหญ่ใช้สภาพแวดล้อม MuJoCo

NVIDIA Isaac Sim และ Isaac Lab

Isaac Sim ทำงานบนแพลตฟอร์ม Omniverse ของ NVIDIA และให้การประมวลผลทางฟิสิกส์ที่เร่งความเร็วด้วย GPU พร้อมการเรนเดอร์ภาพที่มีความละเอียดสูง Isaac Lab (เดิมชื่อ OmniIsaacGymEnvs) คือเฟรมเวิร์กการเรียนรู้แบบเสริมแรงที่สร้างขึ้นบน Isaac Sim ซึ่งได้รับการปรับให้เหมาะสมสำหรับการฝึกนโยบายแบบขนานจำนวนมาก ข้อได้เปรียบที่สำคัญคือการเรนเดอร์ภาพที่สมจริง: ภาพแบบ path-traced ของ Isaac Sim ช่วยลดช่องว่างของโดเมนภาพเมื่อเทียบกับตัวเรนเดอร์แบบง่ายของ MuJoCo ซึ่งมีความสำคัญต่อการฝึกนโยบายที่อิงตามการมองเห็น

NVIDIA คอสมอส

Cosmos คือแพลตฟอร์มโมเดลพื้นฐานระดับโลกของ NVIDIA ที่ประกาศเมื่อปลายปี 2024 แทนที่จะจำลองฟิสิกส์จากหลักการพื้นฐาน Cosmos สร้างวิดีโอเสมือนจริงของการโต้ตอบระหว่างหุ่นยนต์และวัตถุจากข้อความหรือรูปภาพที่กำหนด โดยฝึกฝนจากชุดข้อมูลวิดีโอขนาดใหญ่ จุดมุ่งหมายคือการสร้างข้อมูลฝึกฝนสังเคราะห์ที่ดูสมจริงมากพอที่จะลดช่องว่างระหว่างการจำลองภาพกับความเป็นจริงโดยไม่ต้องใช้การสุ่มโดเมนแบบทำมือ ณ ต้นปี 2026 Cosmos กำลังถูกสำรวจโดยห้องปฏิบัติการเรียนรู้หุ่นยนต์หลายแห่งในฐานะชั้นเสริมข้อมูลบนการสาธิตจริง

การสาดแสงแบบเกาส์เซียนและการสร้างฉากขึ้นใหม่

เทคนิค 3D Gaussian Splatting สามารถสร้างฉากเสมือนจริงจากชุดภาพ RGB ขนาดเล็กได้ภายในไม่กี่นาที แทนที่จะใช้เวลาหลายชั่วโมง สำหรับการฝึกหุ่นยนต์ นั่นหมายความว่าห้องปฏิบัติการสามารถสแกนสภาพแวดล้อมการทำงานใหม่ สร้างฉาก Gaussian ขึ้นใหม่ และสร้างมุมมองใหม่หรือการจัดวางวัตถุเพื่อเพิ่มข้อมูลได้ โดยไม่จำเป็นต้องใช้โปรแกรมจำลองทางฟิสิกส์เลย แนวทางนี้กำลังถูกนำไปรวมเข้ากับกระบวนการจำลองสู่ความเป็นจริงหลายอย่างในฐานะเครื่องมือสุ่มภาพในโดเมนภาพที่มีต้นทุนต่ำ

การสุ่มโดเมนและการระบุระบบ

การสุ่มโดเมนจะสุ่มพารามิเตอร์การจำลอง (พื้นผิวของวัตถุ สภาพแสง ค่าสัมประสิทธิ์แรงเสียดทาน ความแข็งของข้อต่อหุ่นยนต์) ในระหว่างการฝึกฝน ทำให้แบบจำลองมีความยืดหยุ่นต่อการเปลี่ยนแปลงมากกว่าที่จะปรับให้เข้ากับการกำหนดค่าจำลองเพียงแบบเดียว การระบุระบบใช้วิธีการที่ตรงกันข้าม คือการวัดพารามิเตอร์ทางกายภาพของหุ่นยนต์จริง (มวล ความเฉื่อย ความยืดหยุ่นของข้อต่อ) อย่างแม่นยำ และใช้ค่าเหล่านั้นในการจำลองเพื่อลดช่องว่างก่อนการสุ่ม

การเรียนรู้ตามหลักสูตรใช้การสุ่มแบบค่อยเป็นค่อยไป โดยเริ่มจากการฝึกฝนนโยบายในแบบจำลองที่แคบและสะอาดก่อน จากนั้นค่อยๆ เผชิญกับความแปรปรวนที่มากขึ้นเมื่อประสิทธิภาพดีขึ้น วิธีการแบบเป็นขั้นเป็นตอนเช่นนี้มักจะบรรลุผลลัพธ์ที่เร็วกว่าการใช้การสุ่มแบบเต็มรูปแบบตั้งแต่เริ่มต้น

ข้อดีข้อเสียระหว่างคุณภาพข้อมูลกับปริมาณข้อมูล

ข้อมูลที่มากขึ้นไม่ได้หมายความว่าดีกว่าเสมอไป องค์ประกอบของชุดข้อมูลเป็นตัวกำหนดว่านโยบายที่ได้รับการฝึกฝนนั้นสามารถทำอะไรได้บ้างและทำอะไรไม่ได้บ้าง

ความหลากหลายของงานมีความสำคัญมากกว่าจำนวนตอนเมื่อเป้าหมายคือการสร้างนโยบายแบบทั่วไป ชุดข้อมูลที่มี 100,000 ตอนของงานหยิบและวางแบบเดียวกันจะสร้างนโยบายเฉพาะทาง ในขณะที่ชุดข้อมูลที่มี 10,000 ตอนกระจายอยู่ในงาน 50 ประเภท สามารถสร้างนโยบายที่สามารถนำไปใช้กับงานใหม่ๆ ได้หลังจากการปรับแต่งเพียงเล็กน้อย

ความหลากหลายของรูปร่างมีความสำคัญต่อการถ่ายโอนความรู้ข้ามหุ่นยนต์ คุณค่าของ OXE อยู่ที่การครอบคลุมแขนหลายประเภท แพลตฟอร์มเคลื่อนที่ และมือที่คล่องแคล่ว นโยบายที่ฝึกฝนล่วงหน้าบน OXE และปรับแต่งเพิ่มเติมบนหุ่นยนต์ตัวใหม่ มักจะมีประสิทธิภาพดีกว่านโยบายที่ฝึกฝนตั้งแต่เริ่มต้นโดยใช้ข้อมูลของหุ่นยนต์ตัวใหม่เพียงอย่างเดียว ซึ่งเป็นผลลัพธ์ที่สอดคล้องกันในงานวิจัยที่ตีพิมพ์หลายฉบับ

ความยาวของตอนและการกู้คืนจากความล้มเหลวเป็นสิ่งที่ถูกมองข้ามไป ชุดข้อมูลที่รวบรวมโดยผู้ควบคุมระยะไกลที่มีทักษะซึ่งแทบจะไม่เคยล้มเหลวเลยนั้น ทำให้เกิดนโยบายที่ไม่รู้วิธีการกู้คืนจากความผิดปกติ การจงใจใส่สถานะความล้มเหลวและการสาธิตการกู้คืน จะช่วยเพิ่มความยืดหยุ่นในโลกแห่งความเป็นจริงได้อย่างมาก ห้องปฏิบัติการบางแห่งใช้การรบกวนที่เป็นอันตรายระหว่างเซสชันการควบคุมระยะไกลเพื่อสร้างข้อมูลเหล่านี้

จากข้อสังเกตในอุตสาหกรรมจากรายงานห้องปฏิบัติการการเรียนรู้หุ่นยนต์หลายฉบับในปี 2024–2025 พบว่า มูลค่าส่วนเพิ่มของตอนเพิ่มเติมจะลดลงอย่างมากเมื่อชุดข้อมูลครอบคลุมงานหนึ่งๆ ที่ประมาณ 500–1,000 การสาธิต ในขณะที่มูลค่าส่วนเพิ่มของประเภทงานใหม่ยังคงสูงอยู่จนถึงงานที่แตกต่างกันหลายพันรายการ EVST คำนึงถึงเรื่องนี้เมื่อจัดโครงสร้างเซลล์การเก็บข้อมูลนำร่อง โดยให้ความสำคัญกับความกว้างของงานมากกว่าการสะสมตอนซ้ำๆ

ข้อควรพิจารณาเกี่ยวกับข้อมูลระดับอุตสาหกรรม

การรวบรวมข้อมูลจากโรงงานนั้นมีข้อกำหนดที่ระบบควบคุมระยะไกลในเชิงวิชาการโดยทั่วไปไม่ได้คำนึงถึง

การบันทึกข้อมูลแบบกำหนดเวลาได้เป็นข้อกำหนดแรก ในเซลล์การผลิต การประทับเวลาบนการอ่านค่าตัวเข้ารหัสข้อต่อต้องสามารถตรวจสอบย้อนกลับไปยังนาฬิกาอ้างอิงได้ด้วยความแม่นยำระดับต่ำกว่ามิลลิวินาที การควบคุมฟิลด์บัส EtherCAT 1 kHz ซึ่งเป็นมาตรฐานในหุ่นยนต์อุตสาหกรรม (รวมถึงหุ่นยนต์ในกลุ่มผลิตภัณฑ์ของ EVST) ให้พื้นฐานการกำหนดเวลาแบบกำหนดเวลาได้ ซึ่งทำให้การซิงโครไนซ์เซ็นเซอร์หลายตัวทำได้ง่ายขึ้น ระบบที่ทำงานที่ 1 kHz สร้างตัวอย่างสถานะข้อต่อ 1,000 ตัวอย่างต่อวินาทีต่อแกน การจัดเรียงสตรีมนั้นให้ตรงกับเฟรมกล้องที่ 30–60 เฟรมต่อวินาที และข้อมูลแรง-แรงบิดที่ 500 Hz ต้องใช้สถาปัตยกรรมการประทับเวลาฮาร์ดแวร์ที่มีระเบียบวินัย ไม่ใช่การบัฟเฟอร์ซอฟต์แวร์

จำเป็นต้องติดฉลากความปลอดภัยเมื่อเกิดเหตุการณ์เฉียดฉิว การกดปุ่มหยุดฉุกเฉิน หรือการละเมิดขีดจำกัดแรง การติดฉลากเหล่านี้มีความจำเป็นทั้งเพื่อการปฏิบัติตามกฎระเบียบและเพื่อการฝึกอบรมที่เข้าใจสถานะที่เกี่ยวข้องกับความปลอดภัย ตัวควบคุมอุตสาหกรรมที่บันทึกสาเหตุของการกดปุ่มหยุดฉุกเฉินและการเกินแรงบิดของข้อต่อในระดับฮาร์ดแวร์ทำให้การติดฉลากนี้ทำได้ง่ายขึ้น

การระบุเวลาในการทำงานเชื่อมโยงการทำงานของหุ่นยนต์กับผลลัพธ์ทางการผลิต การทราบว่าการทำงานในครั้งที่ 4,712 เสร็จสิ้นภารกิจการประกอบใน 8.3 วินาทีโดยไม่มีข้อผิดพลาดด้านคุณภาพใด ๆ จะเชื่อมโยงข้อมูลการเรียนรู้ของหุ่นยนต์เข้ากับระบบ MES และช่วยให้สามารถเลือกตัวอย่างที่มีคุณภาพสูงสำหรับการฝึกอบรมได้

เมตาเดต้าที่เชื่อมโยงกับ MES เป็นเหมือนสะพานเชื่อม เมื่อระบบบันทึกข้อมูลของหุ่นยนต์เขียนไฟล์ข้อมูลเหตุการณ์พร้อมรหัสงาน MES ประเภทชิ้นส่วน และผลลัพธ์ด้านคุณภาพ ข้อมูลชุดที่ได้สามารถกรองได้โดยใช้โปรแกรม เหตุการณ์ที่เกี่ยวข้องกับการแก้ไขงาน การทิ้ง หรือการแก้ไขโดยผู้ปฏิบัติงานสามารถถูกยกเว้นหรือถือเป็นการสาธิตความล้มเหลวได้

ในทางปฏิบัติ เมื่อทำการปรับปรุงเซลล์นำร่องเพื่อการเก็บรวบรวมข้อมูล ปัญหาคอขวดที่พบบ่อยที่สุดไม่ใช่ความสามารถในการบันทึกข้อมูลของหุ่นยนต์ แต่เป็นสถาปัตยกรรมเครือข่ายของเซลล์นั้นเอง ส่วนเครือข่ายอีเธอร์เน็ตอุตสาหกรรมที่ออกแบบมาสำหรับการสื่อสารระหว่าง PLC กับหุ่นยนต์ที่ความเร็วต่ำกว่ากิโลเฮิร์ตซ์นั้น ไม่ได้มีขนาดเพียงพอสำหรับแบนด์วิดท์ของวิดีโอหลายกล้องแบบต่อเนื่อง รวมทั้งข้อมูลการรับรู้ตำแหน่งของร่างกาย เซลล์ที่ใช้กล้อง 1080p สองตัวที่ 30 เฟรมต่อวินาที พร้อมข้อมูลแรงหกแกน และสถานะข้อต่อ จะสร้างข้อมูลดิบประมาณ 150–300 เมกะไบต์ต่อนาที การวางแผนโครงสร้างพื้นฐานด้านการจัดเก็บและเครือข่ายก่อนการใช้งานจริงจะช่วยหลีกเลี่ยงค่าใช้จ่ายในการปรับปรุงแก้ไขในภายหลัง

กระบวนการและเครื่องมือการติดฉลาก

ไฟล์บันทึกวิดีโอแบบดิบๆ ไม่พร้อมสำหรับการฝึกฝน จำเป็นต้องมีการใส่คำอธิบายประกอบภาษา การสร้างมาสก์แบ่งส่วนวัตถุ และในบางกรณีอาจต้องมีป้ายกำกับรางวัลด้วย

คำอธิบายประกอบภาษา

โมเดล VLA ที่ปรับให้เข้ากับภาษาจำเป็นต้องมีคำอธิบายภารกิจของแต่ละตอนในภาษาธรรมชาติ สำหรับชุดข้อมูลขนาดเล็ก จะทำด้วยตนเอง แต่สำหรับชุดข้อมูลที่มีมากกว่า 10,000 ตอน การใส่คำอธิบายประกอบอัตโนมัติโดยใช้โมเดลภาพ-ภาษา (GPT-4V, Gemini หรือโมเดลคำบรรยายเฉพาะทาง) จะกลายเป็นสิ่งจำเป็น การควบคุมคุณภาพจำเป็นต้องมีการตรวจสอบตัวอย่างโดยมนุษย์เพื่อตรวจจับข้อผิดพลาดที่เป็นระบบในโปรแกรมใส่คำอธิบายประกอบอัตโนมัติ

การแบ่งส่วนและการติดตามวัตถุ

นโยบายที่ใช้เหตุผลเกี่ยวกับสถานะของวัตถุจะได้รับประโยชน์จากมาสก์การแบ่งส่วนต่อตอนที่ระบุวัตถุที่ถูกจัดการ โมเดล Segment Anything Model (SAM 2) จาก Meta ทำให้การแบ่งส่วนแบบโต้ตอบสามารถทำได้ในระดับชุดข้อมูลขนาดใหญ่ ลดเวลาในการระบุคำอธิบายประกอบจากหลายชั่วโมงเหลือเพียงไม่กี่นาทีต่อตอน เมื่อรวมกับการติดตามการแพร่กระจาย

การกำหนดรูปแบบรางวัลสำหรับ RLHF

เมื่อแต่ละตอนประกอบด้วยทั้งตัวอย่างความสำเร็จและความล้มเหลว การติดป้ายกำกับรางวัลจะช่วยให้การเรียนรู้แบบเสริมแรงจากผลตอบรับของมนุษย์ (RLHF) สามารถปรับแต่งได้อย่างละเอียด ผู้ให้ข้อมูลที่เป็นมนุษย์จะจัดอันดับผลลัพธ์ของแต่ละตอน และความชอบเหล่านั้นจะฝึกโมเดลรางวัลที่กำหนดรูปแบบการอัปเดตนโยบาย กระบวนการนี้ถูกนำไปใช้ในการพัฒนา pi0 ของ Physical Intelligence และกำลังได้รับการสำรวจเพื่อนำไปใช้ในการฝึกอบรมงานในภาคอุตสาหกรรม ซึ่งมีป้ายกำกับความสำเร็จ/ความล้มเหลวแบบไบนารีอยู่แล้วจาก MES

ความเป็นส่วนตัว ทรัพย์สินทางปัญญา และการอนุญาตใช้ข้อมูล

การมีส่วนร่วมในชุดข้อมูลแบบเปิดก่อให้เกิดคำถามเกี่ยวกับทรัพย์สินทางปัญญาที่ผู้ผลิตอุปกรณ์ดั้งเดิม (OEM) ในภาคอุตสาหกรรมจำเป็นต้องแก้ไขก่อนที่จะเข้าร่วม

ประเภทใบอนุญาตหลักที่ใช้ ได้แก่ CC-BY (ต้องระบุแหล่งที่มา อนุญาตให้ใช้ในเชิงพาณิชย์ได้), CC-BY-NC (ใช้เพื่อวัตถุประสงค์ที่ไม่ใช่เชิงพาณิชย์เท่านั้น) และ Apache 2.0 (อนุญาตให้ใช้ได้อย่างกว้างขวาง รวมถึงการใช้เชิงพาณิชย์และการแจกจ่ายน้ำหนักโมเดลซ้ำ) ชุดข้อมูลที่เป็นกรรมสิทธิ์ (Tesla Optimus, ข้อมูลกลุ่มยานพาหนะของ Figure, Boston Dynamics) จะไม่ถูกเผยแพร่ภายนอก

สำหรับผู้ผลิตอุปกรณ์ดั้งเดิม (OEM) ในโรงงาน ข้อกังวลด้านทรัพย์สินทางปัญญาคือการเปิดเผยกระบวนการผลิต: เหตุการณ์ที่แสดงให้เห็นถึงการกำหนดค่าการจับยึดเฉพาะ เส้นทางการเคลื่อนที่ของเครื่องมือ หรือการออกแบบอุปกรณ์จับยึด อาจเปิดเผยวิธีการผลิตที่เป็นกรรมสิทธิ์ วิธีการแก้ไขมาตรฐานคือการตัดบริบททางภาพออกไปที่ระดับปลายแขนกล การส่งเฉพาะข้อมูลวิถีการเคลื่อนที่ของข้อต่อ (ไม่มีข้อมูลจากกล้อง) หรือการใช้ภาพจำลองของวิถีการเคลื่อนที่ของการจัดการบนพื้นหลังทั่วไป รูปแบบกลุ่มความร่วมมือที่เกิดขึ้นใหม่หลายรูปแบบนำเสนอโครงสร้างทางกฎหมายสำหรับการส่งข้อมูลอุตสาหกรรมที่ไม่ระบุตัวตนภายใต้ข้อตกลงการไม่เปิดเผยข้อมูลร่วมกันควบคู่ไปกับใบอนุญาตข้อมูล Apache 2.0

จากการวิเคราะห์ของ Stanford CRFM และผู้ร่วมงานในการสำรวจการเรียนรู้ของหุ่นยนต์ปี 2024 พบว่า ข้อมูลที่จัดเก็บแยกกันอย่างเป็นระบบเป็นอุปสรรคเชิงโครงสร้างที่ใหญ่ที่สุดต่อความก้าวหน้าของปัญญาประดิษฐ์ที่ฝังอยู่ในร่างกาย (Embodied AI) ให้เหนือกว่ามาตรฐานปัจจุบัน ผู้ผลิตอุปกรณ์อุตสาหกรรม (Industrial OEMs) ที่พัฒนากรอบการกำกับดูแลข้อมูลภายในองค์กรในขณะนี้ จะอยู่ในตำแหน่งที่ได้เปรียบในการเข้าร่วมกลุ่มความร่วมมือด้านชุดข้อมูล เมื่อโครงการเหล่านั้นได้รับการจัดตั้งอย่างเป็นทางการในอีก 18-24 เดือนข้างหน้า

วิธีที่ผู้ผลิตอุปกรณ์ดั้งเดิม (OEM) สามารถมีส่วนร่วมในการให้ข้อมูลได้

ผู้ผลิตอุปกรณ์ระบบอัตโนมัติทางอุตสาหกรรม (รวมถึง FANUC, ABB, KUKA และผู้บูรณาการแบบครบวงจรที่ได้รับการรับรอง เช่น EVST) อยู่ในจุดเชื่อมต่อระหว่างฮาร์ดแวร์หุ่นยนต์และสภาพแวดล้อมการผลิตจริง ตำแหน่งดังกล่าวทำให้พวกเขากลายเป็นผู้มีส่วนร่วมที่สำคัญในระบบนิเวศข้อมูล AI แบบบูรณาการ หากมีกรอบการดำเนินงานและกฎหมายที่เหมาะสม

ห้องนำร่องพร้อมระบบควบคุมระยะไกล

จุดเริ่มต้นที่เข้าถึงได้ง่ายที่สุดคือเซลล์นำร่อง ซึ่งหุ่นยนต์การผลิตจะติดตั้งระบบควบคุมระยะไกล: แขนนำ-ตาม ที่ผู้ปฏิบัติงานใช้เพื่อสาธิตขั้นตอนการผลิตที่หลากหลาย การสาธิตเหล่านี้จะถูกรวบรวมในปริมาณน้อย (50–500 ตอน) และเพียงพอสำหรับการปรับแต่งโมเดล VLA ที่ได้รับการฝึกฝนล่วงหน้าให้เข้ากับงานการผลิตเฉพาะนั้น ๆ แนวทางเซลล์นำร่องไม่จำเป็นต้องเปลี่ยนแปลงการรับรองความปลอดภัยของเซลล์การผลิต เนื่องจากระบบควบคุมระยะไกลทำงานเป็นอุปกรณ์ป้อนข้อมูลไปยังตัวควบคุมหุ่นยนต์ ไม่ใช่เส้นทางการควบคุมแบบขนาน

ปรับปรุงระบบการบันทึกข้อมูลในหุ่นยนต์การผลิต

หุ่นยนต์ผลิตที่มีอยู่สามารถติดตั้งโมดูลบันทึกข้อมูลน้ำหนักเบาเพิ่มเติมได้ ซึ่งจะบันทึกสถานะข้อต่อ ตำแหน่งของปลายแขน และแรงจับยึดที่ความเร็ว EtherCAT โดยเขียนไฟล์ข้อมูลที่มีการประทับเวลาไปยังเซิร์ฟเวอร์ปลายทางระหว่างการทำงานจริง วิธีการนี้ไม่จำเป็นต้องเปลี่ยนแปลงโปรแกรมควบคุมของหุ่นยนต์ ข้อมูลที่บันทึกไว้จะจับภาพพฤติกรรมการจัดการชิ้นงานจริงในการผลิต ซึ่งมีความใกล้เคียงกับงานจริงมากกว่าการสาธิตในห้องปฏิบัติการ ตัวควบคุมอุตสาหกรรมของ EVST ซึ่งทำงานที่ความเร็วรอบ EtherCAT 1 kHz และได้รับการรับรองมาตรฐาน CE/SGS/TUV ให้สถาปัตยกรรมเวลาที่แน่นอนซึ่งเป็นพื้นฐานของวิธีการบันทึกข้อมูลนี้ ข้อมูลสามารถทำความสะอาด ลบชื่อ และจัดรูปแบบสำหรับเฟรมเวิร์กการเรียนรู้ของหุ่นยนต์มาตรฐานโดยไม่ต้องเสียค่าใช้จ่ายในการบูรณาการใหม่

การเข้าร่วมโครงการชุดข้อมูลนิรนาม

โปรแกรมชุดข้อมูล OEM ที่กำลังเกิดขึ้นใหม่ (รวมถึงส่วนการมีส่วนร่วมแบบเปิดของ AgiBot World และการอภิปรายของกลุ่มพันธมิตรหลายกลุ่มในงาน ICRA 2025) ยอมรับข้อมูลการจัดการทางอุตสาหกรรมที่ไม่ระบุตัวตน ผู้ผลิตอุปกรณ์ดั้งเดิม (OEM) ที่ได้รับการรับรอง IATF16949 เช่น EVST มีกระบวนการจัดการคุณภาพที่มีอยู่แล้วซึ่งสามารถนำมาปรับใช้กับข้อกำหนดด้านความสมบูรณ์ของเมตาเดต้าที่โปรแกรมเหล่านี้ระบุไว้ได้เป็นอย่างดี ได้แก่ การประทับเวลาที่ตรวจสอบได้ โปรโตคอลการเก็บรวบรวมข้อมูลที่เป็นเอกสาร และบันทึกการสอบเทียบเซ็นเซอร์ที่ได้รับการตรวจสอบแล้ว

การครอบคลุมพื้นที่ทั่วโลกเป็นข้อได้เปรียบด้านข้อมูล

ผู้ผลิตอุปกรณ์ดั้งเดิม (OEM) ที่มีวิศวกรภาคสนามกระจายอยู่ทั่วกว่า 100 ประเทศ สามารถรวบรวมข้อมูลการฝึกอบรม AI ที่ได้จากสภาพแวดล้อมการผลิตที่หลากหลายอย่างแท้จริง (รูปทรงชิ้นงานที่แตกต่างกัน สภาพแวดล้อมโดยรอบ ข้อมูลประชากรของผู้ปฏิบัติงาน และความแปรผันของกระบวนการ) ความหลากหลายทางภูมิศาสตร์นี้มีค่าอย่างยิ่ง เพราะนโยบายที่ฝึกฝนจากข้อมูลเหล่านี้จะใช้ได้ดีกว่านโยบายที่ฝึกฝนจากข้อมูลจากห้องปฏิบัติการหรือโรงงานเพียงแห่งเดียว หุ่นยนต์ที่ได้รับการรับรองว่าป้องกันการระเบิดได้ของ EVST และกลุ่มผลิตภัณฑ์ที่ครอบคลุมตั้งแต่ 3–800 กก. หมายความว่าการรวบรวมข้อมูลสามารถขยายไปยังสภาพแวดล้อมต่างๆ เช่น การแปรรูปทางเคมี การจัดการวัสดุอันตราย และการผลิตในอุณหภูมิสูง ซึ่งชุดข้อมูลทางวิชาการส่วนใหญ่ไม่ได้ครอบคลุมเลย

ข้อมูลสำคัญเกี่ยวกับอุตสาหกรรม

จากรายงาน World Robotics 2024 ของสหพันธ์หุ่นยนต์นานาชาติ (IFR) พบว่า ในปี 2023 มีหุ่นยนต์อุตสาหกรรมกว่า 3.9 ล้านตัวที่ใช้งานอยู่ทั่วโลก แต่ชุดข้อมูลการควบคุมหุ่นยนต์แบบเปิดที่ใหญ่ที่สุดมีจำนวนตอนรวมกันไม่ถึง 2 ล้านตอน ซึ่งแสดงให้เห็นถึงช่องว่างขนาดใหญ่ระหว่างฮาร์ดแวร์ที่ใช้งานจริงกับข้อมูลการฝึกอบรมที่มีอยู่ โครงการ EVST จึงแก้ปัญหานี้โดยการสำรวจสถาปัตยกรรมบันทึกข้อมูลแบบติดตั้งเพิ่มเติมที่เปลี่ยนกลุ่มหุ่นยนต์ในสายการผลิตให้กลายเป็นสินทรัพย์เก็บรวบรวมข้อมูลแบบพาสซีฟ

จากเอกสาร Open X-Embodiment (Padalkar et al., Google DeepMind et al., 2023) พบว่าโมเดลที่ฝึกฝนด้วยข้อมูลจากหุ่นยนต์มากกว่า 22 ประเภท แสดงให้เห็นถึงความสามารถในการสรุปผลในงานที่แยกไว้ได้ดีกว่าโมเดลที่ฝึกฝนด้วยข้อมูลจากหุ่นยนต์ประเภทใดประเภทหนึ่งเพียงอย่างเดียวอย่างเห็นได้ชัด EVST จึงแก้ปัญหานี้โดยการจัดโครงสร้างกรอบการประเมินข้อมูลภายในเพื่อถ่วงน้ำหนักความหลากหลายของหุ่นยนต์ควบคู่ไปกับจำนวนตอนเมื่อประเมินประโยชน์ของชุดข้อมูลสำหรับการปรับแต่งอย่างละเอียดในสายการผลิต

จากการสังเกตการณ์ในอุตสาหกรรมจากห้องปฏิบัติการเรียนรู้หุ่นยนต์หลายแห่งในช่วงปี 2024–2025 พบว่า ช่องว่างระหว่างการจำลองภาพกับความเป็นจริงเป็นสาเหตุหลักของความล้มเหลวในการกำหนดนโยบายในงานควบคุมวัตถุที่มีพื้นผิวสะท้อนแสงหรือโปร่งใส ซึ่งเทคนิคการสุ่มโดเมนแบบมาตรฐานไม่สามารถครอบคลุมได้อย่างน่าเชื่อถือ EVST จึงแก้ไขปัญหานี้โดยการตรวจสอบเครื่องมือจำลองภาพเสมือนจริง (โดยเฉพาะ NVIDIA Cosmos และ Gaussian Splatting pipelines) ในฐานะเลเยอร์เสริมที่เหมาะสมสำหรับแผนงานการวางแผนการเคลื่อนไหวที่ได้รับการปรับปรุงด้วย AI

คำแนะนำที่เกี่ยวข้อง

• ปัญญาประดิษฐ์แบบฝังตัว (Embodied AI) และโมเดล VLA ในหุ่นยนต์อุตสาหกรรม: สิ่งที่วิศวกรโรงงานควรรู้ครอบคลุมถึงสถาปัตยกรรมของโมเดลวิสัยทัศน์-ภาษา-การกระทำ และข้อจำกัดในการใช้งานบนฮาร์ดแวร์จริง
• หุ่นยนต์ฮิวมานอยด์ในอุตสาหกรรมการผลิต ปี 2026ตรวจสอบว่างานใดบ้างที่แพลตฟอร์มหุ่นยนต์ฮิวมานอยด์สามารถจัดการได้อย่างแท้จริง เมื่อเทียบกับแขนกลอุตสาหกรรมแบบดั้งเดิม
• หุ่นยนต์ฮิวมานอยด์เทียบกับแขนหุ่นยนต์อุตสาหกรรมสำหรับการใช้งานในโรงงานในปี 2026การเปรียบเทียบโดยตรงในด้านความสามารถ ต้นทุน และความซับซ้อนในการบูรณาการระหว่างรูปแบบทั้งสอง
• คู่มือฉบับสมบูรณ์เกี่ยวกับหุ่นยนต์ร่วมปฏิบัติงาน (Cobots): ประเภท การเลือกใช้ และการใช้งานในปี 2026เอกสารอ้างอิงพื้นฐานสำหรับการเลือกหุ่นยนต์ร่วมปฏิบัติงาน โดยพิจารณาจากน้ำหนักบรรทุก การใช้งาน และสภาพแวดล้อม

คำถามที่พบบ่อย (FAQs)

เหตุใดการเก็บรวบรวมข้อมูลสำหรับ AI ที่มีร่างกายจึงยากกว่าการเก็บรวบรวมข้อมูลสำหรับโมเดลภาษา?

แบบจำลองภาษาฝึกฝนโดยใช้ข้อความที่มีอยู่แล้วบนอินเทอร์เน็ตในปริมาณมหาศาล หุ่นยนต์ AI ที่มีร่างกายต้องรวบรวมข้อมูลการเคลื่อนไหวที่สัมพันธ์กับการกระทำ เช่น มุมข้อต่อที่ประสานกัน แรงจับยึด เฟรมภาพจากกล้อง และบริบทของงาน ซึ่งทั้งหมดนี้บันทึกไว้ในระหว่างการเคลื่อนไหวทางกายภาพ ข้อมูลเหล่านั้นไม่มีอยู่จริงในระดับเว็บและมีค่าใช้จ่ายสูงในการสร้าง การควบคุมหุ่นยนต์แต่ละครั้งโดยทั่วไปใช้เวลา 1-10 นาทีโดยผู้ควบคุมที่มีทักษะในการสร้างเส้นทางการฝึกฝนเพียงเส้นเดียว และคุณภาพจะลดลงหากผู้ควบคุมไม่คุ้นเคยกับพลวัตของหุ่นยนต์

ความแตกต่างระหว่างการถ่ายโอนจากแบบจำลองสู่ความเป็นจริงและการสุ่มโดเมนในการฝึกหุ่นยนต์คืออะไร?

เป้าหมายหลักคือการถ่ายโอนจากแบบจำลองสู่โลกแห่งความเป็นจริง: ฝึกฝนนโยบายในแบบจำลองและนำไปใช้กับหุ่นยนต์จริงโดยไม่ทำให้ประสิทธิภาพลดลง การสุ่มโดเมนเป็นเทคนิคหนึ่งที่ช่วยให้บรรลุเป้าหมายนั้นได้ โดยจะสุ่มเปลี่ยนแปลงพารามิเตอร์ของแบบจำลอง เช่น แสง พื้นผิว สัมประสิทธิ์แรงเสียดทาน มวลของวัตถุ ในระหว่างการฝึกฝน เพื่อให้นโยบายเรียนรู้ที่จะรับมือกับความแปรปรวนในโลกแห่งความเป็นจริง แทนที่จะปรับตัวให้เข้ากับลักษณะจำลองเพียงอย่างเดียว วิธีอื่นๆ ได้แก่ การปรับตัวให้เข้ากับโดเมน การเรนเดอร์ภาพเสมือนจริง (เช่นใน NVIDIA Cosmos) และการระบุระบบ

Open X-Embodiment คืออะไร และครอบคลุมหุ่นยนต์กี่ประเภท?

Open X-Embodiment (OXE) เป็นชุดข้อมูลการเรียนรู้หุ่นยนต์แบบเปิดขนาดใหญ่ที่รวบรวมโดย Google DeepMind โดยมีสถาบันวิจัยร่วมให้ข้อมูล 33 แห่ง ชุดข้อมูลนี้รวบรวมข้อมูลการทำงานของหุ่นยนต์กว่า 1 ล้านตอน จากหุ่นยนต์มากกว่า 22 รูปแบบ ได้แก่ หุ่นยนต์แขนเดียว หุ่นยนต์สองมือ ฐานเคลื่อนที่ และมือที่คล่องแคล่ว โมเดล RT-X ที่ฝึกฝนบน OXE แสดงให้เห็นว่าการฝึกฝนข้ามรูปแบบหุ่นยนต์ช่วยปรับปรุงการวางนัยทั่วไปของนโยบายเมื่อเทียบกับโมเดลพื้นฐานที่ฝึกฝนเฉพาะรูปแบบหุ่นยนต์เดียว

ผู้ผลิตอุปกรณ์ดั้งเดิม (OEM) ในโรงงานจะสามารถส่งข้อมูลหุ่นยนต์ไปยังการฝึกอบรม AI ที่มีปฏิสัมพันธ์กับร่างกายได้อย่างไร โดยไม่เปิดเผยทรัพย์สินทางปัญญาด้านกระบวนการผลิตที่เป็นกรรมสิทธิ์ของตน?

แนวทางที่ใช้งานได้จริงที่สุดคือการส่งข้อมูลตอนต่างๆ โดยไม่ระบุตัวตน: ลบเมตาเดต้าที่ระบุขั้นตอนการทำงาน (หมายเลขชิ้นส่วน ข้อมูลอ้างอิงลูกค้า เป้าหมายเวลาในการทำงาน) และส่งเฉพาะข้อมูลวิถีการเคลื่อนที่ของข้อต่อและสถานะของตัวจับยึดเท่านั้น โครงการชุดข้อมูลหลายโครงการ รวมถึง AgiBot World และโครงการริเริ่มของกลุ่มผู้ผลิตอุปกรณ์ดั้งเดิม (OEM) ที่กำลังเกิดขึ้นใหม่ ยอมรับข้อมูลการจัดการทางอุตสาหกรรมที่ไม่ระบุตัวตนภายใต้เงื่อนไข Apache 2.0 หรือ CC-BY โครงสร้างพื้นฐานการบันทึกข้อมูลที่มีการประทับเวลา EtherCAT ที่แน่นอนช่วยให้มั่นใจได้ว่าคุณภาพของตอนต่างๆ ตรงตามมาตรฐานการรับข้อมูลของชุดข้อมูล

ระบบเก็บรวบรวมข้อมูลจากการควบคุมระยะไกลแบบใดที่เหมาะสมที่สุดสำหรับงานควบคุมการทำงานในโรงงานอุตสาหกรรม?

สำหรับงานควบคุมการเคลื่อนไหวในระดับอุตสาหกรรม ตัวเลือกชั้นนำได้แก่ ALOHA 2 (แขนกลสองมือแบบผู้นำ-ผู้ตาม ราคาประหยัด โอเพนซอร์ส), UMI (ติดตั้งที่ข้อมือ แยกส่วนจากหุ่นยนต์ พกพาสะดวก) และการจับภาพโดยใช้โครงกระดูกภายนอกสำหรับงานที่มีน้ำหนักมากหรืองานที่เกี่ยวข้องกับทั้งร่างกาย อุปกรณ์ VR ที่ใช้ Apple Vision Pro หรือ Meta Quest 3 กำลังได้รับความนิยมสำหรับการจับภาพสองมือที่ใช้งานง่าย แต่ต้องใช้กระบวนการปรับเป้าหมายใหม่เพื่อแปลงการเคลื่อนไหวของมือมนุษย์ไปสู่พื้นที่ข้อต่อของหุ่นยนต์ การเลือกที่เหมาะสมขึ้นอยู่กับองศาอิสระของหุ่นยนต์เป้าหมาย น้ำหนักบรรทุก และว่างานนั้นต้องการมือสองข้างหรือไม่

อัปเดตครั้งล่าสุด: 23 เมษายน 2026

ดูข้อมูลเพิ่มเติมได้ที่ โซลูชัน AI ที่ผสานรวมเข้ากับร่างกาย →