Fransa merkezli Physicl, robot eğitimi için veri üreten Studio aracını tanıttı ve 10 milyon dolarlık tohum yatırımı aldı. NVIDIA Cosmos 3’ün sürüş simülasyonunda olduğu gibi burada da gerçek dünyadan toplaması zahmetli örnekler bilgisayarda hazırlanıyor. Physicl’in yatırım ve ürün duyurusuna göre Studio, mühendislerin kendi modellerinin başarısız olduğu durumlara özel veri üretmesini sağlıyor.
Örneğin bir ev robotu, odanın ortasındaki büyük oyuncağı görüyor ancak koltuğun önüne sıkışmış küçük bir parçayı kaçırıyor olabilir. Ekip, aynı odanın farklı eşya dizilimlerini hazırlayıp robotun görüş açısından görüntü alabiliyor. Bu sayede koltuğu, ışığı ve kamera rotasını sabit tutup yalnızca yerdeki nesnelerin yerini değiştirerek hatanın kaynağını her seferinde daha düzenli biçimde inceleyebiliyor.
Araç, renkli görüntünün yanında aynı kare için derinlik, yüzey yönü ve nesne bölütleme gibi veriler de verebiliyor. Araştırmacı böylece robotun tahmin ettiği mesafeyi, sahnede başlangıçtan beri bilinen mesafeyle karşılaştırabiliyor. Bunun yanında kamera konumunu ve nesnelerin yerini ayrı değişkenler olarak ele almak, hangi düzenlemenin modelin sonucunu etkilediğini anlamaya yardımcı oluyor.
Bu yaklaşım, ilk eğitimde görülen her ortamı baştan üretmek yerine hatanın ortaya çıktığı senaryoya yoğunlaşıyor. Örneğin bir raf sisteminde robotun açık renkli kutuları doğru ayırırken koyu renkli kutuları karıştırdığı gözlenirse veri üretimi bu farkı inceleyecek şekilde daraltılabiliyor. Ardından aynı model benzer fakat eğitim sırasında görmediği örneklerle yeniden sınanabiliyor.
Simülasyon, gerçek robot üzerinde doğrulama gereksinimini ortadan kaldırmıyor
Sanal sahnede doğru tahmin yapan bir robot, gerçek ortamda ışık yansıması, sensör paraziti veya malzemenin farklı davranması nedeniyle yine hata yapabilir. Bu nedenle Studio’nun ürettiği örneklerin değeri, gerçek testlerde gözlenen bir eksikliği ne kadar iyi temsil ettikleriyle bağlantılı. Sanal veri, belirli hataları tekrar incelemek ve gerçek testte hangi koşullara öncelik verileceğini belirlemek için kullanılabilir.
Studio’da araştırmacılar, aynı sahneden çıkacak veri türlerini amaca göre seçebiliyor. Örneğin nesne tanımayı sınayan ekip, her nesnenin kapladığı alanı işaretleyen bir çıktı isteyebilir. Kameranın hareketini takip eden bir sistem içinse görüntüyle birlikte kesin kamera konumu daha yararlı olur.
Simülasyonda gerçek dünyaya benzeyen bir görüntü elde etmek tek hedef değil. Sahnedeki her nesnenin bilinen konumu, değişiklik yapıldığında tahmin hatasının hangi örneklerde büyüdüğünü incelemeye de yarıyor. Örneğin bir nesne yarıya kadar örtüldüğünde algılama bozuluyorsa, aynı örtülme düzeyini farklı açılarda tekrarlamak mümkün.
Yatırıma Inovia Capital liderlik etti, US Venture Partners da katıldı. Physicl, yeni kaynağı ekibini genişletmek ve platformu geliştirmek için kullanacağını belirtiyor. Şirket, Meta, Epic Games ve World Labs dahil farklı ekiplerle çalıştığını açıklıyor. Yatırım duyurusunda Studio’nun kullanım fiyatı veya bu kuruluşların hangi projelerde platformdan yararlandığı belirtilmiyor.
Günün Öne Çıkan Fırsatları
