617 óra emberi mozgást rögzít a HiPHI adatbázis, robotok tanulnak a fizikai valóságból
A Noitom Robotics által támogatott HiPHI adatbázis 617,5 óra emberi mozgást és 245,7 óra ember-tárgy interakciót tartalmaz szubmilliméteres pontossággal, segítve a humanoid robotok tanulását.
Az IEEE Spectrum által bemutatott kutatás célja, hogy pótolja a jelenlegi adathalmazok hiányosságait, amelyek korlátozzák a robotok fizikai világban való eligazodását és cselekvését. Az adatbázis rögzíti a teljes test mozgását és az ember-tárgy interakciókat, szimulációból a valóságba történő átvitelt lehetővé téve. (IEEE Robotics)
A humanoid robotoknak rengeteg helyzetben kell megtanulniuk egyensúlyozni, mozogni és interakcióba lépni a tárgyakkal. A jelenlegi adatok, mint az internetes videók vagy a laboratóriumi mozgásrögzítő rendszerek, nem elegendőek erre. Az internetes videók ugyan sokfélék, de nem rögzítik a pontos fizikai állapotokat, míg a laboratóriumi rendszerek precízek, de csak szűk cselekvési köröket fednek le. A HiPHI adatbázis ezt a hiányt hivatott betölteni.
Az adatbázis felépítése és tartalma
A HiPHI adatbázis 617,5 óra teljes test mozgást tartalmaz, amelyet optikai mozgásrögzítéssel, szubmilliméteres pontossággal gyűjtöttek. Ebből 245,7 óra foglalkozik ember-tárgy interakcióval, szinkronizált tárgytrajektóriákkal és hálókkal. Az adatgyűjtést a FrameNet, egy emberi cselekvéseket leíró nyelvi keretrendszer irányítja, így biztosítva a mozgások széles körű lefedését. Ez az adatbázis teszi hasznossá a robotok számára valós feladatok, mint például a hordás, tolás vagy húzás tanítását.
Teljesítményteszt és szimuláció-valóság átvitel
A kutatás egy teljesítményteszt rendszert is bevezet, amely méri a mozgás sokféleségét és az interakciók megalapozottságát. A HiPHI adatokon betanított megerősítéses tanulási (reinforcement learning) politikák skálával javulnak, és sikeresen átültethetők fizikai humanoid robotokra. Az Unitree G1 roboton végzett kísérletek igazolták a szimulációból a valóságba történő átvitel hatékonyságát, bár a teljesítményjavulás mértéke és a szimuláció-valóság átvitel robusztussága további vizsgálatokat igényel.
A Noitom Robotics által támogatott kutatás jelentős lépés a fizikai AI és az embodied AI területén. Az adatbázis hozzájárul a humanoid robotok képességeinek bővítéséhez, lehetővé téve számukra a komplex fizikai környezetekben való hatékonyabb tanulást és cselekvést. Az Unitree G1 roboton végzett kísérletek igazolták a szimulációból a valóságba történő átvitel hatékonyságát.