通過“解剖”小腦模型，能看出數據對其的塑造作用。“我們首先收集了大量的人力數據，以模仿學習為基礎打造行為策略和行為標準。然後利用控制理論和強化學習打造運動控制系統，在3個月內完成了小腦模型的算法開發和迭代。”田翀說，我們充分利用了人體運動數據，結合模仿學習策略，為機器人運動訓練提供了精準的參考軌跡和運動標準。同時，我們還將傳統的運動控制方法應用於數據收集工具的開發，並將這些思想融入到強化學習訓練中。
通過技術融合，不僅提高了機器人運動控制策略的訓練效率，縮短了訓練周期，還確保了策略在實際應用中的安全性和可靠性，這是“玄武”小腦模型與其他小腦模型相比的一大特點。“當然，該模型還在發展初期，能力和功能仍需提升和完善。”田翀說。
借助AI，管控平台同時完成對數據標注、管理與模型部署的需求，助力實現機器人數據采集、評估清洗、訓推一體的全流程閉環。邢伯陽向記者解釋說，通過仿真環境對采集數據實現快速的測試，對失敗數據單元進行删除，完成對原始數據的清洗，再對神經網絡模型進行訓練，實現面向機器人端快速部署。
中心計畫用3年時間完成“白虎”數據集的構建，一方面建設超過100個高精度運動采集設備，另一方面共享業界其他單位采集的數據，實現清洗後的高質量數據總量超過1PB，覆蓋超過100個場景、2000個任務。如果1部高清電影占用的數據空間大約是1GB，那麼1PB的數據量大約可以存儲100萬部這樣的電影。
訓練場：人形機器人的學校
“人為演示一個動作大約50次，機器人就能學會。”在2024世界人工智能大會的國家地方共建人形機器人創新中心展區，記者看到了一個小型的機器人“訓練場”，現場工作人員如同一個熟練的“老師傅”做著生產線上的抓取動作，4個機器人則跟著他同步做出了一樣的動作。
為什麼要搭建訓練場？中心技術負責人劉宇飛說，構建智能訓練場，模擬產線及工業流水線，收集多模態數據，並搭建數據管理平台，將有效提升人形機器人在不同場景下的作業能力，加速具身智能技術的發展與應用落地。
|
