Data fra den virkelige verden er den manglende koblingen mellom simulering og fysisk intelligens. Med Lemorele P300 (R) lukker Robora dette gapet, og gjør hver bruker til en bidragsyter til legemliggjort AI-evolusjon. Den muliggjør sanntids, høyoppløselig videoopptak fra et hvilket som helst kamera, enten det er montert på en robotprototype, en drone eller et håndholdt kamera. Denne visuelle feeden overføres trådløst og tapsfritt til en tilkoblet enhet (nettbrett, telefon eller PC) som kjører Robora VLA-grensesnittet eller datafangstappen. Enheten strømmer eller laster deretter opp disse feedene direkte til Roboras sky eller lokale VLA-behandlingsnode. Ved å samle inn data fra ulike miljøer og brukstilfeller, får Robora grunnlaget for å trene og finjustere modellene sine på sensorisk informasjon fra den virkelige verden, og gå utover rent simulerte data. Denne tilnærmingen er nøkkelen til å redusere sim-til-real-gapet, ytelsesforskjellen mellom roboter som er trent i simulering og de som opererer i komplekse fysiske miljøer.

Robora Sim: Et PyBullet-drevet miljø for å lære robotisk fysisk intelligens Vi bygger for tiden vårt Robora-simuleringsmiljøoppsett for vår sim-baserte læring, og utnytter PyBullet, en industristandard fysikkmotor som er mye brukt i AI-drevet robotforskning og utvikling. Miljøet er optimalisert med GPU-akselererte læringsalgoritmer, noe som muliggjør høyhastighets imitasjonslæring og forsterkende læring i et trygt og kontrollert virtuelt oppsett før det sendes ut til den virkelige verden. Denne simuleringsplattformen lar modellene våre lære, tilpasse og generalisere på tvers av ulike robotmorfologier, terrengtyper og oppgavemål – alt før distribusjon til den virkelige verden. I kjernen kombinerer systemet en VLA-drevet planlegger på høyt nivå med bevegelseskontrollalgoritmer på lavt nivå, som jobber sammenhengende for å produsere nye, fysisk intelligente atferder. Denne synergien mellom simulering, læring og overføring i den virkelige verden markerer et stort skritt fremover i vår jakt på adaptive og intelligente robotsystemer. Gjennom avansert domenerandomisering og syntetisk datagenerering sikrer Robora Simulation Environment at retningslinjer som er trent i simulering overføres effektivt til roboter i den virkelige verden, og minimerer sim-til-virkelighet-gapet. Videre vil brukere kunne teste og integrere sine egne maskinvaresett i utvalgte simuleringsmiljøer i Robora Dapp, noe som sikrer sømløs kompatibilitet og tryggere implementering i den virkelige verden.

Denne uken hos Robora fokuserte vi hovedsakelig på utvikling. Arbeidet vårt gikk med til å forbedre kjerneverktøyene som driver plattformen, fra administrasjon av modeller og finjusteringsfunksjoner til 3D-kartlegging og datasyn. Vi utvidet også nettverket vårt ved å bli med i nye virkelige AI-initiativer og fortsatte å jobbe med å koble forskning med praktiske robotikkapplikasjoner. Her er de viktigste oppdateringene: - Publiserte en Robora-utviklingsoppdatering som delte fremgang på tvers av plattformen: la til administrasjon av modellvekter med Hugging Face-integrasjon, bygde et tidlig CLI-verktøy for utviklere, satte planen for finjusterings-SDK med imitasjonslæring og RLHF i PyBullet, og startet arbeidet med en 3D Mapping SDK for å generere virkelige miljøer. - Robora ble med i Real World AI Foundry, et globalt initiativ ledet av @iotex_io sammen med partnere som Vodafone, Filecoin og Theta. Dette samarbeidet bidrar til å skape åpne standarder og rammeverk for kunstig intelligens i den virkelige verden og støtter vårt oppdrag om å koble fysiske systemer med intelligente agenter. - Lanserte vår månedlige oppsummering for september, som fremhever de siste utviklingsoppdateringene og gir en oversikt over hvor plattformen er på vei videre. - Kunngjorde at vårt samarbeid med universiteter om Robora Vision Module er nær ferdigstillelse. Dette datasynssystemet med åpen kildekode gir roboter muligheten til å se og forstå verden i sanntid og vil snart bli presentert sammen med forskerne og partnerne som har bidratt.