Dream Labs kerää 90 miljoonaa dollaria siemenrahoitusta tuodakseen robottien tekoälyn eri koneisiin

Dream Labs, entisten NVIDIA-robotiikkatutkijoiden perustama startup-yritys, on kerännyt 90 miljoonaa dollaria siemenrahoitusta ja julkaissut Dream-1-mallille julkisen ohjelmointirajapinnan. Malli on suunniteltu siirtämään taitoja erilaisten robottien välillä. Rahoituskierrosta johti B Capital yhdessä Kindred Venturesin kanssa. Rahoitukseen osallistuivat myös A.Capital, Unusual Ventures ja muut sijoittajat.

Yhtiö pyrkii ratkaisemaan robotiikan kalliin pullonkaulan: kun kone oppii tehtävän, tieto ei siirry automaattisesti toiseen koneeseen. Dream Labs haluaa, että kehittäjät voivat aloittaa yhteisellä mallilla ja mukauttaa sitä sitten, jos tietty robotti tai sovellus edellyttää erikoistuneempaa koulutusta.

Julkaisuun kuuluvat ohjelmointirajapinta, hienosäätöpalvelu ja selaimessa toimiva Robot Playground. Sen avulla käyttäjät voivat lähettää ohjeita yhtiön San Franciscon toimistossa oleville fyysisille roboteille. Dream Labsin mukaan rahoitusta käytetään ensisijaisesti laskentakapasiteettiin mallin ominaisuuksien ja kapasiteetin laajentamiseksi.

Näin Dream-1 yhdistää videon fyysisiin toimintoihin

Dream Labs kutsuu Dream-1:tä maailman toimintamalliksi. Julkaisun teknisessä kuvauksessa järjestelmän kerrotaan ennustavan videota ja toimintoja yhdessä: sen ennusteet kohtauksen muutoksista liittyvät siihen, mitä robotin pitäisi tehdä seuraavaksi.

Ero on tärkeä, koska robottien rakenteet poikkeavat toisistaan. Yhdessä käsivarressa toimivat nivelkomennot eivät välttämättä toimi toisessa. Dream-1 voi sen sijaan ennustaa työkalupisteen asennon eli kunkin tarttujan halutun sijainnin ja suunnan sekä sen, pitäisikö tarttujan olla auki vai kiinni. Kunkin robotin käänteiskinematiikan ratkaisija muuntaa nämä tavoitteet liikkeiksi, jotka sen nivelet pystyvät toteuttamaan.

Näin koneille saadaan yhteinen rajapinta ilman, että niiden laitteiston tarvitsee olla samanlaista. Malli käyttää kolmea kameranäkymää: yksi kamera kuvaa ympäristöä, ja kummassakin ranteessa on yksi kamera. Videon esitystapa auttaa mallia päättelemään erilaisten käsivarsien ja tarttujien toimintaa saman visuaalisen aineiston pohjalta.

Kehittäjille tuote tarjoaa tämän tutkimuksen pohjalta suhteellisen suoraviivaisen toimintaketjun. Robotti toimittaa kuvat, nykyisen tilansa ja tehtävän ohjeen, minkä jälkeen malli palauttaa toimintoja. Mallit toimivat Dream Labsin ylläpitämässä palvelussa, joten jokaisen kehittäjän ei tarvitse rakentaa ja ylläpitää omaa robotiikan perustamallia.

Nollanäytteisen siirron soveltamisala on rajattu

Yhtiön nykyinen nollanäytteinen toimintakyky keskittyy molempikätisiin robotteihin, joissa on rinnakkaistarttujat: koneisiin, joissa on kaksi käsivartta ja yksinkertaiset avautuvat ja sulkeutuvat tarttujat. Nollanäytteisyys tarkoittaa, että malli voi yrittää suorittaa tehtäviä sille vieraalla robotilla ilman, että sitä ensin koulutetaan kyseisestä koneesta kerätyillä esimerkeillä.

Dream Labsin julkaistussa arvioinnissa testattiin simulaatiossa 27:tä aiemmin näkemätöntä robottikokoonpanoa, ja kutakin kokoonpanoa kohden tehtiin 300 simulointiajoa. Tulokset ilmoitettiin suhteessa YAM-robottiin, jolla Dream-1 oli koulutettu. Suorituskyky vaihteli huomattavasti laitteiston mukaan, joten väite robottien välisestä siirrosta on hyödyllisempää suhteuttaa yksityiskohtaisiin tuloksiin.

Näitä suhteellisia tuloksia ei pidä sekoittaa tehtävien absoluuttisiin onnistumisprosentteihin. Käytännön toimintamallin siirtäminen toiseen robottiin ei myöskään osoita, että robotti suorittaa kaikki tehtävät luotettavasti. Tutkimussivulla tehtävien arvioinneissa erotellaan erikseen tehtävän täydellinen suorittaminen ja osittainen edistyminen.

Ohjausrajapintaan liittyy myös kompromisseja. Tarttujan määränpään ennustaminen ei määritä täysin reittiä, jota käsivarsi kulkee päästäkseen sinne. Esteet, nivelten liikerajat ja robotin käänteiskinematiikan ratkaisijan laatu voivat vaikuttaa suorituskykyyn. Robotit, joiden työskentelyalue tai dynamiikka poikkeaa huomattavasti, voivat tuoda esiin lisää eroja mallin ennusteiden ja laitteiston fyysisten toimintamahdollisuuksien välillä.

Hienosäätö tarjoaa väylän perustasoa pidemmälle

Dream Labsin hienosäätö palveluna -palvelu tarjoaa kehittäjille toisen vaihtoehdon, jos yleismalli ei riitä. He voivat ladata omalla robotillaan tallennettuja esimerkkejä ja saada mukautetun mallin sen sijaan, että aloittaisivat koulutusprojektin alusta.

Yhtiö esittelee esimerkkejä mallin mukauttamisesta viiden minuutin robottikohtaisella aineistolla sekä esimerkkejä, joissa tuntemattomien työkalupäiden käsittely edellyttää huomattavasti enemmän aineistoa. Esimerkit havainnollistavat mukautustarpeiden vaihteluväliä, eivätkä ne osoita, että koulutus vaatisi aina viisi minuuttia.

Tämä on käytännössä tärkeä ero. Yhteinen malli voi vähentää alkuvaiheen työtä, jota robotin saaminen liikkeelle vaatii, mutta tietyn sovelluksen kannalta hyödyllinen toiminta voi edelleen edellyttää tehtäväkohtaista aineistoa. Dream Labs myöntää, että mukautetut mallit toimivat edelleen paremmin kuin nollanäytteinen käyttö.

Tutkimussivulla ilmoitetaan, että Dream-1:n päättely maksaa 3 dollaria tunnilta ja kevyemmän Dream-1-flash-mallin 2 dollaria tunnilta. Kukin mallikutsu palauttaa 1,6 sekuntia toimintoja. Laitteisto, integrointi ja mahdolliset palvelun lisäkustannukset on otettava erikseen huomioon käyttöönoton kustannuksia arvioitaessa.

Tutkimusesittelyistä toistettavaan työskentelyyn

Startup-yrityksen tiimi työskenteli aiemmin DreamZeron ja NVIDIAn GR00T-robotiikkatutkimuksen parissa. Dream-1:n avulla tiimi muuttaa tutkimuksen palveluksi, jota kehittäjät voivat testata omilla koneillaan.

Pääsy on olennainen osa tätä julkistusta. Julkisen rajapinnan ansiosta robottivalmistajat ja pienemmät tiimit voivat arvioida toimintaa suoraan, myös sitä, missä se epäonnistuu, sen sijaan että ne luottaisivat yksinomaan valikoituihin esittelyihin. Käytössä oleva Playground tarjoaa helpommin lähestyttävän tutustumistavan niille, joilla ei ole robottia.

Dream-1 on edelleen tutkimusvaiheen beta, eikä Dream Labsin mukaan sitä ole validoitu turvallisuuskriittiseen käyttöön. Sen nykyinen painopiste on käsittelytehtävissä, joita tehdään kaksikätisillä, rinnakkaistarttujilla varustetuilla järjestelmillä; tuen laajentaminen liikkuviin robotteihin ja ketteriin laitteistoihin on edelleen osa kehitystyötä.

Kaupallinen kysymys on, pystyykö eri koneisiin siirtyvä malli myös suoriutumaan toistettavasti tehtävistä, joiden automatisoinnista ihmiset ovat valmiita maksamaan. 90 miljoonan dollarin rahoituskierros antaa Dream Labsille resursseja tämän tavoitteen tavoitteluun. Ratkaisevin testi on se, kuinka paljon räätälöityä dataa ja suunnittelutyötä kehittäjät edelleen tarvitsevat uuden robotin liittämisen jälkeen.