Para atingir o nível de robustez que a comunidade de IA física aspira, nomeadamente políticas generalistas implantáveis de tiro zero em objetos desconhecidos em ambientes desconhecidos, os tamanhos dos conjuntos de dados devem crescer em várias ordens de grandeza. Para dar uma noção de escala, estender a lógica para volumes de dados em escala LLM, da ordem de 10¹², exigiria aproximadamente 80 milhões de robôs operando continuamente durante três anos. O campo é, portanto, limitado não apenas pela arquitetura computacional ou de modelo, mas, mais fundamentalmente, pela taxa na qual dados de manipulação do mundo actual e de alta qualidade podem ser gerados.
Para um CFO ou líder de engenharia, a implicação é direta. O caminho a seguir é uma maior densidade de informações por episódio, em vez de mais robôs funcionando por mais horas. Uma única trajetória tátil aumentada transporta mais sinais de treinamento do que várias corridas apenas de visão, especialmente para tarefas de inserção e contato intenso.
Por que a escala por si só quebra o orçamento
A IA física não tem web para raspar. O maior conjunto de dados abertos de robôs reais, Open X-Embodiment, agrega cerca de 1 milhão de episódios de 34 laboratórios.¹ O DROID levou 50 operadores, 18 robôs e 12 meses para montar 76.000 trajetórias.² O π0 da Inteligência Física – sem dúvida a política generalista aberta mais capaz até o momento – exigiu mais de 10.000 horas de dados teleoperados antes do ajuste fino.³ Esses esforços são formidável e ainda modesto em várias ordens de grandeza em relação ao que a generalização genuína exige.
Se o quantity for a única alavanca, o custo da coleta de dados aumenta linearmente com o tamanho da frota e o horário de operação. Multiplicado por 10.000 robôs, isso representa uma despesa de capital de centenas de milhões de dólares antes que um único modelo seja treinado.
Uma melhor detecção se multiplica a cada hora do robô
Estudos de aprendizagem por imitação mostram que as políticas de robôs melhoram à medida que mais ambientes e objetos de treinamento são adicionados ao conjunto de dados.⁴ Os modelos visão-linguagem-ação seguem o mesmo padrão, mas cada novo ponto de dados na robótica produz um ganho de desempenho menor do que na modelagem de linguagem, uma consequência da heterogeneidade da qualidade dos dados e da escassez de interações ricas em contato rotuladas como ação.⁵
Para quem possui um orçamento, esta é a principal visão económica. Um coeficiente de escala mais raso significa que o quantity de força bruta adquire menos desempenho por episódio na IA física do que na linguagem. A qualidade dos dados, portanto, é mais importante. Investir antecipadamente em melhor {hardware} de detecção é um multiplicador em cada hora de tempo do robô que se segue.
O Modelo de ação tátil de vídeo (VTAM) colocou um número concreto no multiplicador, as políticas táteis aumentadas superaram as linhas de base apenas de visão em 80% em tarefas ricas em contato, de apenas 10 minutos de teleoperação por tarefa (abordadas em detalhes em nosso postagem anterior).⁶ Efetores finais bem instrumentados levam a episódios mais ricos, o que significa menos demonstrações necessárias, o que reduz a computação por execução de treinamento, o que acelera a iteração, o que reduz o tempo de implantação. Cada hyperlink tem uma economia mensurável.
Além da detecção tátil, um efetor closing Robotiq emite vários fluxos de dados sincronizados por ciclo de operação – força, torque, posição, velocidade e estado da garra – cada um deles um sinal separado que a política pode usar para desambiguar o que está acontecendo no ponto de contato. Cada episódio produz mais sinais de treinamento.
O que isso significa para o orçamento
Um efetor closing bem instrumentado é um investimento com retorno calculável. As equipes que tratam a instrumentação como a base de sua estratégia de dados são entregues mais rapidamente e com menor custo whole. As equipes que adiam o investimento pagam por ele duas vezes, uma vez em conjuntos de dados reconstruídos e outra em atraso na produção.
Fale com nossa equipe técnica sobre integração de sensores para seu pipeline de manipulação e saiba mais sobre como Robotiq pode habilitar seu aplicativo.
¹ Abra X-Embodiment, arXiv:2310.08864 – aproximadamente 1,0 × 10⁶ episódios de robôs reais abrangendo 22 modalidades e mais de 500 habilidades.
² DROIDE, arXiv:2403.12945.
³ Inteligência Física, π0: Um modelo de fluxo de visão-linguagem-ação para controle geral de robôs.
⁴ Lin et al. (2024), Leis de escalonamento de dados em aprendizagem de imitação para manipulação robótica.
⁵ Sartor e Nießner (2024), análise de lei de escala de modelos de visão-linguagem-ação e políticas proprioceptivas. Veja também Kaplan et al. (2020), Leis de escala para modelos de linguagem neurale Hoffmann et al. (2022), Treinamento de modelos de linguagem grande com otimização de computação (“Chinchila”).
⁶ Modelo de ação tátil de vídeo (VTAM), arXiv:2603.23481.
