Pantheon و ساخت متنوع‌ترین دیتاست UMI توی رباتیک
هوش مصنوعیخلاصهٔ کامل‌تر
تیم Pantheon تو این مقاله تعریف می‌کنه چطور توی هشت هفته، با یه تیم اصلی ۵ نفره، به ۹۰ اپراتور رسیده و بیشتر از یک میلیون تسک یکتا برای آموزش ربات‌ها جمع کرده. روششون UMI هست (Universal Manipulation Interface، یعنی یه گیره دستی با دوربین که آدم باهاش کار انجام می‌ده و حرکاتش مثل حرکات ربات ضبط میشه). هزینه هر ساعت داده به حدود ۱۰ دلار رسیده، در حالی که دیتاست‌های آماده بازار حدود ۶۰ و دیتاست‌های سفارشی تا ۱۵۰ دلار در ساعت قیمت دارن.
نویسنده‌ها می‌گن بیشتر دیتاست‌های UMI موجود، تکرار موفق چندتا کار محدوده. این برای imitation learning (یعنی ربات یه کار مشخص رو با تقلید یاد بگیره) خوبه، ولی برای هدف اونا که تعمیم zero-shot توی world modelهاست (یعنی مدل بتونه کارهایی رو که هیچ‌وقت ندیده انجام بده) کافی نیست. واسه همین یه شرط بزرگ بستن: جمع‌آوری freeform. اپراتور حدود ۱۵ تا شیء جلوش داره و بدون راهنما هر کاری خواست باهاشون می‌کنه. این داده اولش برچسب نداشت و قابل استفاده نبود.
شرطشون این بود که VLMها (مدل‌های زبانی‌ای که تصویر و ویدیو هم می‌فهمن) زود به سطحی برسن که بتونن این ویدیوها رو برچسب بزنن. پنج ماه بعد ابزار متن‌بازشون Argus به اون سطح رسید و همه داده‌ها قابل استفاده شد. کنارش یه پلتفرم به اسم Nomos ساختن که از ترکیب اشیا و حرکت‌های پایه، میلیون‌ها تسک اسکریپتی تولید می‌کنه، تسک‌های غیرممکن فیزیکی نمی‌سازه و می‌تونه توزیع داده رو در عرض چند دقیقه عوض کنه. عمداً داده شکست و جبران خطا (مثل افتادن جسم و برداشتنش) و داده بیرون از دفتر هم جمع می‌کنن.
سمت سخت‌افزار، گیره رو سه بار بازطراحی کردن. نسخه اول ۶ قطعه اصلی و ۱۵ پیچ داشت، نسخه دوم مونتاژ رو به ۳۰ ثانیه رسوند و نسخه سوم برای تولید انبوه بهینه شد و هزینه‌ش به ۱۱ دلار برای هر جفت رسید (فقط مواد)، در حالی که پیشنهاد سازنده‌های بیرونی ۸۰ تا ۱۱۰ دلار بود. دوربین‌ها آماده بازارن، ولی firmwareشون رو decompile کردن و از نو نوشتن تا همگام‌سازی چند دوربین و ثبت متادیتای تسک رو پشتیبانی کنه.
حجم داده ماهانه بیشتر از ۲ پتابایته. به گفته تیم، نگه‌داشتن ۲۰ پتابایت روی فضای ابری سالی حدود ۵.۲ میلیون دلار خرج داشت، واسه همین کلاستر ذخیره‌سازی ۲۰ پتابایتی خودشون به اسم Hades رو ساختن که هزینه رو به حدود ۱۰۰ هزار دلار در سال رسوند. یه کلاستر محلی حدود یک پتابایتی به اسم Styx و یه PC گیمینگ با چندتا RTX 5080 به اسم Pallas هم برای کم کردن حجم ویدیوها دارن. الان روزی بیشتر از ۱۶ هزار تسک با ۴۵ اپراتور در هر شیفت جمع میشه.
نکات کلیدی:
- بیشتر از ۱ میلیون تسک یکتا توی ۸ هفته با ۹۰ اپراتور جمع شده.
- هزینه داده حدود ۱۰ دلار در ساعت در برابر ۶۰ تا ۱۵۰ دلار تأمین‌کننده‌های بیرونی.
- ابزار Argus برچسب‌گذاری داده freeform رو با VLM انجام می‌ده و پلتفرم Nomos تسک‌های متنوع تولید می‌کنه.
- هزینه هر جفت گیره ۱۱ دلار و هر کیت کامل دودستی حدود ۶۵۰ دلاره.
- کلاستر Hades هزینه ذخیره‌سازی رو از حدود ۵.۲ میلیون به حدود ۱۰۰ هزار دلار در سال رسونده.
- یه نمونه ۱۰۰ ساعته از دیتاست با برچسب‌های Argus منتشر شده.
