Egy olyan lépéssel, ami a robotok képzését a steril laborokból a mocskos, kiszámíthatatlan valóságba repítheti, a NoeMatrix leleplezte a RoboPocket-et, egy adatgyűjtő készletet, ami hatékonyan alakít egy okostelefont professzionális szintű térbeli adatfelvevővé. A rendszer kihasználja a telefon Vision, LiDAR és IMU szenzorainak fúzióját, hogy nagy pontosságú adatokat rögzítsen a megtestesült MI (embodied AI) képzéséhez – mindezt egy olyan eszközről, ami elfér a zsebedben.
Szemben a barkács megoldásokkal, amik fáradságos utófeldolgozást igényelnek, a RoboPocket intelligens hubként funkcionál. Valós idejű visszajelzést ad, figyelmezteti a felhasználót, ha túl gyorsan mozog, vagy letér a munkaterületről, és menet közben pontozza az adatok minőségét. Ez az „MI Tutor” gondoskodik róla, hogy csak tiszta, használható adatok kerüljenek a képzési folyamatba – mert a „szemét be, szemét ki” elv különösen drága lecke a robotikában. A készlet tartalmaz egy levehető halszemoptikát is, ami ultraszéles látómezőt biztosít a telefonnak az átfogó adatgyűjtéshez.
A rendszert a skálázhatóságra és a komplexitásra tervezték. Több RoboPocketet futtató telefon azonnal megoszthatja az időbélyegeket és a SLAM koordinátákat, így gyerekjáték a koordinált, több perspektívából történő műveletek, például a kétkarú manipuláció rögzítése. A NoeMatrix már be is mutatta, hogy a kizárólag RoboPocket adatokon képzett MI modellek képesek hosszú távú, komplex feladatokat végrehajtani, beleértve az autonóm törölközőhajtogatást és más ipari szintű manipulációt, mindezt manuális távirányítás nélkül.
Miért fontos ez?
A RoboPocket drámaian csökkenti a belépési küszöböt a magas színvonalú robotikai kutatás és fejlesztés terén. A drága, speciális hardverek egy mindenütt jelenlévő eszközzel való felváltásával a NoeMatrix demokratizálja azt a képességet, hogy hatalmas mennyiségű valós adatot gyűjtsünk a képzett, általános célú robotok betanításához. Ez jelentősen felgyorsíthatja az innováció ütemét a megtestesült MI területén, lehetővé téve több csapat számára, hogy túllépjen a szimulációkon, és megtanítsa a robotokat navigálni és interakcióba lépni a fizikai világ káoszával. Röviden: lehet, hogy már nem kell kockázati tőkebefektetést szerezned csak azért, hogy megtanítsd egy robotnak, hogyan mosson ki.
