北京
從模擬到現實智能
物理人工智能訓練設施，旨在彌合模擬訓練的人工智能模型與它們在現實環境中的表現之間的差距。
雖然在模擬環境中提供了規模和速度，但如果沒有固定在現實世界的交互中，人工智能模型往往會有所欠缺。為了克服這一挑戰，需要將模擬與結構化、可重復的現實世界機器人訓練相結合。
挑戰
盡管模擬能夠進行大規模訓練，但在虛擬環境中訓練的人工智能模型往往難以適應現實世界不可預測的復雜性，也稱為虛擬現實(S2R)差距。
傳統上，提高模型性能需要收集真實世界的數據，這是一個既耗時又昂貴的過程，尤其是在為每個新任務或機器人平臺重復時。
為了解決這些限制，該團隊開發了一個連續的真實到模擬再到真實的訓練循環，將合成訓練與人類遙控操作下的現場機器人演示相結合。
一種新的訓練模式
在這種方法中，人工智能模型首先在合成數據上進行訓練，然后用從在人類控制下執行任務的物理機器人收集的真實世界軌跡進行精煉。
在遙控操作中，MANUS Metagloves Pro實現了對機器手的毫米級精度和低延遲人工控制。這使得操作員能夠指導機器人完成各種精密任務，生成高質量的真實世界數據，從而加強訓練過程。
擴展物理人工智能
訓練過程中生成的所有數據都存儲在一個基于云的集中式技能庫中，允許學習的能力在不同的機器人平臺和位置之間共享。
這為物理人工智能創造了一個可擴展的基礎設施，將模擬和現實世界的學習統一到一個迭代的自我改進的循環中。
通過MANUS Metagloves Pro實現遙操作，不僅縮短了工作流程和開發周期，還提高了機器人實際應用技能的真實性和適應性，并加快了從實驗室到現實環境的精密操作的轉移。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
