Человекоподобным роботам нужны данные о движениях человека, а собрать их в достаточном объёме непросто. Этот White Paper разбирает HiPHI — крупномасштабный набор данных захвата движения — и показывает, как обученные на нём политики переносятся на реального человекоподобного робота.
Скачайте бесплатный White Paper — прямо сейчас. Нажмите «LOOK INSIDE», чтобы скачать.
Этот документ даёт исследователям и инженерам в области робототехники обзор нового крупномасштабного набора данных захвата движения. Его создали, чтобы закрыть пробел в данных, который тормозит обучение человекоподобных роботов. Заодно в White Paper показано, как политики, обученные на этом наборе, переносятся на реального человекоподобного робота.
Что вы узнаете:
- Почему обучение человекоподобных роботов — центральная проблема embodied ИИ (воплощённого искусственного интеллекта) и Physical ИИ (физического ИИ) — требует данных, которых нет ни в интернет-видео, ни в существующих наборах захвата движения.
- Как FrameNet, лингвистический фреймворк для описания действий человека, помогает собирать данные захвата движения так, чтобы систематически охватывать широкий диапазон движений всего тела.
- Почему синхронизированные траектории и меши объектов делают такие данные пригодными для обучения роботов реальным задачам — переноске, толканию и тяге.
- Как политики обучения с подкреплением, обученные на этих данных, улучшаются с ростом масштаба и как перенос из симуляции в реальность (sim-to-real) доводит их до физического человекоподобного робота.
Нажмите «LOOK INSIDE», чтобы скачать сейчас.
IEEE Spectrum и Wiley представляют этот White Paper при спонсорской поддержке Noitom Robotics.
Человекоподобные роботы должны научиться держать равновесие, двигаться и взаимодействовать с объектами в огромном диапазоне ситуаций. Но данные, доступные для такого обучения, имеют явные ограничения. Интернет-видео показывает разнообразное поведение, но не фиксирует точные физические состояния. Лабораторные системы захвата движения записывают точное движение, но обычно охватывают лишь узкий набор действий.
В этом White Paper рассматривается HiPHI — набор данных движений всего тела человека продолжительностью 617,5 часа, записанный с помощью оптического захвата движения с субмиллиметровой точностью. В нём содержится 245,7 часа взаимодействия человека с объектами с синхронизированными траекториями объектов и мешами. Охват организован через FrameNet — лингвистический фреймворк для описания действий человека. В работе также представлен набор бенчмарков для измерения разнообразия движений и привязки взаимодействий (interaction grounding), а ещё — результаты политик, обученных на наборе данных и развёрнутых на физическом человекоподобном роботе Unitree G1.
Noitom Robotics разрабатывает ModalityNet — человекоцентричную основу данных, благодаря которой физический мир становится обучаемым для embodied ИИ.
IEEE Spectrum Magazine, флагманское издание IEEE, исследует разработку, применение и последствия новых технологий. Оно предвосхищает тенденции в инженерии, науке и технологиях и даёт площадку для понимания, обсуждения и лидерства в этих областях.