如何为物理人工智能训练收集人类灵巧度数据

为人工智能获取人类专业知识

训练机器人执行灵巧的现实任务仍然依赖于一个难以规模化的东西:高质量的人类操纵数据。

RLWRLD是一家韩国物理人工智能初创公司正在围绕这一限制建立数据集。该公司不再依赖互联网规模的文本或视频，而是直接面向技术工人。在首尔乐天酒店，一名工作人员戴着随身相机控制机械手折叠宴会餐巾。同样的方法现在正在物流仓库和Lawson便利店中运行。

RLWRLD的目标是建立人工智能系统，并将人类的灵活性转移到跨工业和服务应用的机器人平台上。

MANUS手套为RLWRLD的管道提供支持

RLWRLD利用MANUS手套进入他们灵巧的操作数据收集工作流程。

MANUS手套可捕捉完整的手部和手指关节数据，并将数据直接传输到远程操作、模拟或数据集收集环境中。对于涉及多个操作员之间的重复对象交互或演示的工作流，一致的跟踪保真度是生成的数据集可用于下游的关键。

RLWRLD的目标不仅仅是直观地记录人类的运动。更是为了保留嵌入技术工作中的物理行为——握力调整、接触时机、手指之间的协调，这决定了一个有经验的工人实际上是如何处理一个物体的。MANUS手套是管道中使捕获更可靠的关键工具。

MANUS已经在机器人和具身智能研究管道中应用非常广泛，涉及模仿学习、遥控操作和合成数据生成。

从人类演示到机器人学习

随着机器人实验室和公司向更有能力的机器人手和人形系统推进，对灵巧操作数据集的需求持续增长。

大型语言模型在可从互联网上收集的文本上进行训练。而物理人工智能系统需要一些不同的东西:基于物理世界的真实交互数据。这包括工人如何折叠纺织品，整理货架，抓取不规则物体，以及在重复任务中协调精细动作。这些知识中的大部分是无法明确描述的，然而它是通过人类的运动自然表达出来的。

通过将人类演示与在发音层面捕捉手部运动的基础设施相结合，RLWRLD等公司正在建立旨在用于下一代机器人学习研究的数据集。MANUS手套通过提供手指跟踪保真度来支持该过程，该保真度将演示转换成训练就绪的数据。