Após a implementação de aplicações de dados de simulação virtual concluída, a Tosta completou novamente essa capacidade-chave de coleta de dados de máquinas reais. Este sistema de computação multimodal de máquina real é o núcleo do "modelo de cenário + robô + dados + IA" da Tosta, abrindo a brecha de dados entre o terminal de hardware e os algoritmos inteligentes, construindo o trabalho de campo, a operação do dispositivo, a precipitação de dados e a iteração inteligente.
O sistema de coleta multimodal da máquina real tem como núcleo as garras de coleta multimodal de alta precisão da Tosta, construindo uma plataforma de coleta multimodal integrada da coleta da máquina real à iteração do modelo. A versatilidade das garras de pegamento é forte, sem mapeamento de articulações robóticas podem ser adaptados a vários modelos, e a transformação leve pode ser colocada em linha de produção. O equipamento combina inercia visual e soluções de sensores de alta frequência para alcançar o rastreamento de posição de alta precisão de seis graus de liberdade e posicionamento de condições de trabalho convencionaisErro médio ≤0.25%Sincronização de imagens visuais, trajetórias de movimento, gestos finais, movimentos de garras e outras informações multidimensionais, compatível com uma mão e duas mãos para mostrar processos complexos, para coletar dados de produção de primeira linha de precipitação e iteração do modelo anti-amamentação, para que o robô realmente "entenda o processo e trabalhe".
Plataforma de extração numérica integrada, cobrindo cinco fases de ciclo fechado de dados inteligentes de extração numérica de instruções artificiais, processamento de dados, treinamento de modelos, implantação de robôs e iteração de feedback, para quebrar eficazmente os pontos de dor da indústria como a inadequação do robô tradicional, a precisão limitada da coleta e a capacidade fraca de generalização de cenários, para construir uma base de dados de prisão para a escala inteligente da indústria.
Demonstração artificial e coleção multimodal
Amostras de dados de alta qualidade de precipitação
Na primeira fase, o operador realiza tarefas industriais como pegar, manipular e montar através da coleta de garras, o sistema sincroniza as informações de operação e tarefa em toda a dimensão, mantém completamente a lógica e os detalhes práticos artificiais e gera amostras de trabalho de alta qualidade adequadas ao local industrial, permitindo que o robô "entenda o processo".
Tratamento de dados e padronização
Aumento da eficiência e gestão do processamento de dados
Na segunda fase, após a coleta de dados, o sistema organiza, alinha e padroniza os dados de várias fontes, como imagens do pulso, posição de movimento e estado da garra, e os encapsula de forma unificada como um conjunto de dados de treinamento. Também oferece ferramentas de revisão visual que suportam visualizações manuais, anotações e marcas de usabilidade, fornecendo entrada de dados especificada para treinamento de modelos e iterações subsequentes. A capacidade de limpeza automática de dados, teste de qualidade, arquivo de categorias e gerenciamento de versões será melhorada gradualmente para melhorar ainda mais a eficiência e o nível de gerenciamento do processamento de dados.
Formação de modelos e avaliação de competências
Aumentar a generalização dos robôs
A terceira fase consiste no treinamento de estratégias operacionais de robôs com base em conjuntos de dados padronizados, permitindo que o modelo aprenda as relações de mapeamento, desde observações visuais e instruções de tarefa até movimentos terminais e movimentos de clavado, e otimizando continuamente as capacidades do modelo através de validação de treinamento, avaliação de efeitos e complemento de dados.
Implantação de máquinas robóticas
Realizar operações inteligentes
Na quarta fase, o modelo estratégico de alta precisão treinado pode acessar rapidamente vários tipos de sistemas de controle robótico, baseando-se na percepção visual em tempo real, o estado de funcionamento do robô e as instruções de tarefas operacionais para executar as ações de saída autônoma e precisa, realizando a execução autônoma de tarefas industriais típicas como pegar, manipular e montar de forma estável, permitindo que o robô "trabalhe" na fábrica real.
Avaliação de máquinas reais e retorno de dados
Atualização do modelo anti-amamentação
Na quinta fase, a plataforma registra todo o processo de operação e efeito da máquina real do robô, atribui com precisão as anomalias e os cenários de falha, retorna os dados incrementais de alta qualidade para a coleta e o treinamento, otimiza continuamente a precisão e a capacidade de adaptação do modelo para formar um ciclo fechado de dados auto-otimizados.
Assim, a Tosta construiu um ciclo fechado de dados de todo o processo de "demonstração e coleta artificial - processamento e padronização de dados - treinamento de modelos - implantação de máquinas reais - otimização de feedback", para construir conjuntos de dados industriais de alta qualidade de forma eficiente e expandir constantemente as fronteiras de aplicações de inteligência física, tornando os robôs inteligentes mais adaptados ao processo de produção e melhores em operações reais, ajudando a atualização da transformação inteligente e não tripulada da indústria de fabricação.
Escrito | Xu Jingyu
Auditoria | Divisão de Produtos Inteligentes da Tosta
