Dream Labs získává v seedovém kole 90 milionů dolarů na rozšíření robotické AI napříč různými stroji

Dream Labs, startup založený bývalými výzkumníky robotiky ze společnosti NVIDIA, získal v seedovém kole 90 milionů dolarů a spustil veřejné API pro Dream-1, model navržený tak, aby přenášel dovednosti mezi různými roboty. Investiční kolo vedla B Capital společně s Kindred Ventures; zapojily se také A.Capital, Unusual Ventures a další investoři.

Společnost řeší nákladné úzké místo v robotice: stroj, který se naučí nějaký úkol, své znalosti automaticky nepředá jinému stroji. Dream Labs chce vývojářům umožnit začít se sdíleným modelem a následně jej přizpůsobit, pokud konkrétní robot nebo aplikace vyžaduje specializovanější trénink.

Součástí spuštění je API, služba dolaďování modelů a Robot Playground dostupné v prohlížeči. Díky poslední z těchto možností mohou uživatelé zadávat pokyny fyzickým robotům v kanceláři společnosti v San Franciscu. Dream Labs uvádí, že získané prostředky využije především na výpočetní kapacitu, aby rozšířila možnosti modelu a zvýšila jeho kapacitu.

Jak Dream-1 propojuje video s fyzickými akcemi

Dream Labs označuje Dream-1 za model světa a akcí. Jeho technický popis uvedení představuje systém, který společně předpovídá video i akce: předvídání změn ve scéně je propojeno s rozhodováním o tom, co má robot udělat dál.

Tento rozdíl je důležitý, protože se konstrukce robotů liší. Příkazy pro klouby, které fungují u jednoho ramene, nemusí fungovat u jiného. Dream-1 může místo toho předpovídat polohu a orientaci koncového efektoru – požadovanou polohu a orientaci každého chapadla i to, zda má být otevřené, nebo zavřené. Řešič inverzní kinematiky každého robota pak tyto cíle převádí na pohyby, které mohou vykonat jeho vlastní klouby.

Vzniká tak společné rozhraní pro různé stroje, aniž by musely mít totožný hardware. Model využívá tři pohledy z kamer: jeden zabírá scénu a po jednom je umístěn na každém zápěstí. Díky své reprezentaci videa může uvažovat o různě vypadajících ramenech a chapadlech prostřednictvím stejného vizuálního média.

Pro vývojáře produkt převádí tento výzkum do poměrně přímočarého pracovního cyklu. Robot poskytuje obrazová data, svůj aktuální stav a pokyn k úkolu; model vrací akce. Modely běží prostřednictvím hostované služby Dream Labs, takže každý vývojář nemusí sám vytvářet a provozovat základní model pro robotiku.

Přenos bez dalších ukázek má jasně vymezený rozsah

Současná schopnost společnosti přenášet dovednosti bez dalších ukázek se zaměřuje na obouruční roboty s paralelními chapadly, tedy stroje se dvěma rameny a jednoduchými chapadly, která se otevírají a zavírají. Přenos bez dalších ukázek znamená, že se model může pokusit plnit úkoly na neznámém robotu, aniž by se nejprve učil z ukázek pořízených právě na tomto stroji.

Ve zveřejněném hodnocení Dream Labs testovala v simulaci 27 dosud nepoznaných konfigurací robotů a pro každou provedla 300 simulačních běhů. Výsledky byly uvedeny ve srovnání s robotem YAM, na kterém se Dream-1 trénoval. Výkon se mezi jednotlivými typy hardwaru výrazně lišil, takže hlavní tvrzení o přenosu mezi roboty je užitečnější posuzovat společně s podrobnými výsledky.

Tato relativní skóre by se neměla zaměňovat s absolutní úspěšností při plnění úkolů. Ani přenos řídicí strategie na jiného robota nedokazuje, že bude spolehlivě plnit každý úkol. Stránka výzkumu při hodnocení úkolů samostatně rozlišuje jejich úplné splnění a částečný pokrok.

Řídicí rozhraní s sebou přináší také určité kompromisy. Předpověď cílového místa chapadla zcela neurčuje trasu, kterou se tam rameno dostane. Výkon mohou ovlivnit překážky, limity kloubů i kvalita řešiče inverzní kinematiky robota. Roboti s velmi odlišným pracovním prostorem nebo dynamikou mohou odhalit další rozdíly mezi předpovědí modelu a tím, co hardware dokáže fyzicky provést.

Dolaďování nabízí cestu za hranice základního modelu

Služba Dream Labs pro dolaďování modelů jako službu nabízí vývojářům další možnost, pokud obecný model nestačí. Mohou nahrát ukázky pořízené na vlastním robotu a získat přizpůsobený model, místo aby začínali trénovací projekt od nuly.

Společnost uvádí příklady přizpůsobení s využitím pěti minut dat z konkrétního robota, ale také příklady, u nichž je pro neznámé koncové efektory potřeba podstatně více dat. Tyto ukázky ilustrují různorodost potřeb při přizpůsobování; neznamenají, že trénink vždy vyžaduje právě pět minut.

Jde o důležitý praktický rozdíl. Sdílený model může omezit počáteční práci nutnou k uvedení robota do pohybu, pro užitečné chování v konkrétní aplikaci však mohou být stále zapotřebí data zaměřená na daný úkol. Dream Labs uznává, že přizpůsobené modely stále překonávají provoz bez dalších ukázek.

Stránka výzkumu uvádí cenu inference 3 USD za hodinu u Dream-1 a 2 USD za hodinu u odlehčeného modelu Dream-1-flash. Každé volání modelu vrací akce na dobu 1,6 sekundy. Při posuzování nákladů na nasazení je třeba samostatně zohlednit také hardware, integraci a případné další poplatky za služby.

Od výzkumných ukázek k opakovatelné práci

Tým startupu dříve pracoval na projektu DreamZero a na výzkumu robotiky NVIDIA GR00T. Nyní tento výzkum převádí prostřednictvím Dream-1 do služby, kterou mohou vývojáři testovat na vlastních strojích.

Přístup je významnou součástí oznámení. Veřejné API umožňuje výrobcům robotů a menším týmům přímo vyhodnocovat jejich chování, včetně případů, kdy selhávají, místo aby se spoléhaly pouze na vybrané ukázky. Živý Playground nabízí přístupnější úvod pro lidi, kteří žádného robota nevlastní.

Dream-1 je nadále ve fázi výzkumné beta verze a Dream Labs uvádí, že nebyl ověřen pro použití v bezpečnostně kritických situacích. V současnosti se zaměřuje na manipulaci pomocí systémů se dvěma rameny a paralelními chapadly; širší podpora mobilních robotů a hardwaru pro obratnou manipulaci zůstává součástí vývoje.

Komerční otázkou je, zda model, který lze přenášet mezi různými stroji, dokáže také podávat opakovatelné výkony při úkolech, jejichž automatizaci jsou lidé ochotni zaplatit. Kolo financování ve výši 90 milionů dolarů poskytuje Dream Labs prostředky k dosažení tohoto cíle. Nejdůležitější zkouškou bude, kolik vlastních dat a inženýrské práce budou vývojáři po připojení nového robota stále potřebovat.