System UR AI Trainer: Przełom w uczeniu robotów
Universal Robots (UR) zaprezentowało rozwiązanie UR AI Trainer podczas GTC 2026 w Dolinie Krzemowej. System AI Trainer powstał we współpracy ze Scale AI. To rozwiązanie stanowi przełomowy krok naprzód w robotyce. Maszyny przestają być bowiem sztywno zaprogramowane do konkretnych zadań. Zaczynają one teraz działać w oparciu o sztuczną inteligencję. Dzięki temu roboty potrafią samodzielnie adaptować się do nowych warunków. Kluczową rolę odgrywają tu wysokiej jakości dane generowane w środowiskach treningowych, w których roboty uczą się przez naśladowanie człowieka.
Czytaj także: Magazyny w Polsce 4kw. 2025: Rekordowy popyt i stabilne czynsze
„Nasi klienci, od dużych przedsiębiorstw po laboratoria badawcze AI, nie pytają już tylko o pojedyncze funkcje oparte na sztucznej inteligencji” — powiedział Anders Beck, VP of AI Robotics Products w Universal Robots. „Potrzebują skutecznego sposobu na zbieranie wysokiej jakości, zsynchronizowanych danych z robotów i systemów wizyjnych, by trenować modele AI na tych samych robotach, które zamierzają wdrożyć. Nasz AI Trainer to pierwsze w branży rozwiązanie, które bezpośrednio łączy laboratorium z halą produkcyjną w procesie trenowania modeli AI.”
Na stoisku Universal Robots zaprezentowano zaawansowany model bazowy robotyki od Generalist AI. Rozwiązanie to pokazano obok innowacyjnego systemu AI Trainer. Warto podkreślić, że Generalist AI to kluczowy partner UR w tym segmencie technologicznym. Dzięki temu rozwiązaniu dwa roboty mogą dziś wspólnie realizować skomplikowany proces pakowania smartfonów. Warto podkreślić, że taka operacja była dotąd nieosiągalna bez zaawansowanego wsparcia fizycznej sztucznej inteligencji (Physical AI).
Zbieranie danych gotowych do wykorzystania przez AI dzięki sprzężeniu zwrotnemu, a także bezpośredniemu sterowaniu momentem obrotowym
Szkolenie robotów AI jest często utrudnione przez rozproszony sprzęt, a także niską jakość pozyskiwanych danych. Wiele współczesnych danych treningowych zbieranych jest na robotach badawczych, które nie są przystosowane do środowisk produkcyjnych. Dodatkowo wiele systemów opiera się wyłącznie na analizie obrazu, co sprawia, że precyzyjne zadania wymagające kontaktu fizycznego stają się bardzo trudne. „AI Trainer bezpośrednio odpowiada na te wyzwania” – mówi Anders Beck. „Wykorzystując unikalne funkcje Direct Torque Control oraz sprzężenie zwrotne, deweloperzy zyskują realną kontrolę nad fizyczną interakcją robota z otoczeniem i mogą trenować modele na dokładnie tym samym, sprawdzonym sprzęcie, który działa już w ponad 100 000 zastosowań przemysłowych.”
Partnerstwo ze Scale AI umożliwia stworzenie zintegrowanego obiegu danych robotycznych
System AI Trainer umożliwia operatorom prowadzenie robotów UR w intuicyjnym układzie lider-naśladowca. To rozwiązanie pozwala na automatyczne gromadzenie wysokiej jakości danych multimodalnych, które są kluczowe dla rozwoju zaawansowanej robotyki AI. Cały proces zaprojektowano tak, aby nauka maszyn była maksymalnie uproszczona i efektywna. Operatorzy fizycznie prowadzą robota zwanego „leaderem” przez zadanie, podczas gdy zsynchronizowany robot, tzw. „follower”, odwzorowuje ruch w czasie rzeczywistym. Podczas każdej demonstracji system rejestruje zsynchronizowane dane ruchu oraz siły. Rejestracja obejmuje również precyzyjne dane wizyjne. Na tej podstawie powstają ustrukturyzowane zbiory danych. Są one niezbędne do trenowania zaawansowanych modeli Vision-Language-Action (VLA).
UR AI Trainer działa na platformie UR AI Accelerator i integruje roboty UR z oprogramowaniem Scale AI. Takie połączenie pozwala na masowe zbieranie danych bezpośrednio w środowisku produkcyjnym. Dzięki temu firmy mogą rozwijać zaawansowane modele uczenia maszynowego (Machine Learning) na dużą skalę, korzystając z rzeczywistych procesów operacyjnych. Tworzy to ciągłą pętlę informacji zwrotnej (Data Feedback Loop), która napędza proces nieprzerwanej optymalizacji systemów fizycznej sztucznej inteligencji (Physical AI).
„Universal Robots jest jedną z wiodących firm w dziedzinie robotyki przemysłowej, a jego globalna obecność stanowi idealną podstawę do zbierania danych i wdrażania AI” – powiedział Ben Levin, General Manager, Physical AI w Scale AI. „Wspólnie stworzyliśmy zintegrowany obieg danych robotycznych, który pozwala klientom trenować, wdrażać i ulepszać modele AI szybciej niż kiedykolwiek wcześniej.” W ramach tej współpracy UR i Scale AI opublikują jeszcze w tym roku obszerny, przemysłowy zbiór danych zebranych na robotach UR.
Bezpośrednie spotkania z AI Trainer na GTC
GTC stało się miejscem oficjalnej premiery systemu. Uczestnicy konferencji mogli osobiście przetestować system AI Trainer na stoisku Universal Robots. W tym celu prowadzili dwa roboty UR3e, które jako „liderzy” sterowały jednostkami UR7e w roli „naśladowców”. Taki układ pozwalał odwiedzającym na wykonanie złożonego zadania pakowania smartfonów przy wykorzystaniu sprzężenia haptycznego. To rozwiązanie umożliwia zbieranie precyzyjnych danych niezbędnych do uczenia maszyn przez imitację, a także treningu zaawansowanych modeli VLA. Dane demonstracyjne rejestrowano w czasie rzeczywistym w środowisku Scale z możliwością odtworzenia bezpośrednio w narzędziu AI Trainer.
Proces pozyskiwania danych treningowych pokazano również na przykładzie pakowania smartfonów. Tym razem zadanie to wytrenowano w środowisku wirtualnym. Stanowisko zbudowano w NVIDIA Omniverse z wykorzystaniem platformy Isaac Sim. Pozwalało ono uczestnikom na sterowanie symulowanym systemem UR3e w czasie rzeczywistym. Do kontroli wykorzystano dwa urządzenia Haply Inverse3 pełniące rolę „liderów”. Takie rozwiązanie zapewnia symulację w pełni zgodną z prawami fizyki.
Universal Robots eksploruje możliwości wykorzystania narzędzia NVIDIA Physical AI Data Factory Blueprint. Rozwiązanie to służy do pełnej automatyzacji, a także skalowania procesu generowania danych syntetycznych. Dzięki niemu globalna moc obliczeniowa staje się wydajnym „silnikiem produkcyjnym” dla robotyki AI. Pozwala to na masowe tworzenie wysokiej jakości danych treningowych, niezbędnych do rozwoju nowoczesnych systemów autonomicznych.
„Rozwój Physical AI wymaga odejścia od sztywnej, z góry zaprogramowanej automatyzacji na rzecz robotów bardziej uniwersalnych, zdolnych do postrzegania, wnioskowania i uczenia się poprzez interakcję zbliżoną do ludzkiej” — mówi Amit Goel, Head of Robotics and Edge AI Ecosystem w NVIDIA. „Dzięki wykorzystaniu środowisk symulacyjnych NVIDIA Isaac, Universal Robots buduje skalowalną infrastrukturę do pozyskiwania i generowania wysokiej jakości danych, niezbędnych do trenowania nowej generacji autonomicznych systemów na dużą skalę.”
Generalist AI pokazuje realne możliwości modeli robotycznych nowej generacji
Dwie demonstracje gromadzenia danych uzupełniła prezentacja firmy Generalist. Pokazała ona, jak postępy w zbieraniu danych i rozwoju modeli AI przekładają się na rzeczywistą wydajność maszyn. Była to pierwsza publiczna demonstracja embodied foundation models, czyli modeli AI działających w świecie fizycznym. W tym pokazie dwa roboty współpracujące UR7e autonomicznie wykonały złożone zadanie pakowania smartfonów. Potwierdziło to ich wysoką precyzję, koordynację, a także zaawansowaną manipulację obiektami w rzeczywistych warunkach. Pokaz ilustruje potencjał wysokiej jakości danych treningowych zbieranych na dużą skalę. Dane te są łączone z nowoczesną architekturą modeli VLA. Dzięki temu powstają wydajne systemy fizycznej sztucznej inteligencji (Physical AI). Rozwiązania te mogą pracować w rzeczywistych warunkach, daleko poza środowiskiem laboratoryjnym.
„Generalist buduje embodied foundation models, które wyznaczają standardy w zakresie precyzji i niezawodności – mówi Pete Florence, współzałożyciel i CEO Generalist AI. „Demonstracja na zaufanej, przemysłowej platformie Universal Robots pokazuje, jak tzw. fizyczny ‘zdrowy rozsądek’ może zostać przełożony na realne zastosowania, torując drogę do wdrożeń w różnych branżach na dużą skalę.”
„Fakt, że nasza technologia jest wykorzystywana przez liderów w obszarze trenowania modeli AI i pozyskiwania danych, pokazuje, dlaczego Universal Robots stało się preferowaną platformą dla Physical AI” — podkreśla Anders Beck z UR, który wystąpił również podczas panelu GTC „Beyond the Workcell: Scaling Robotics Workflows Across the Factory Floor”.
Może Cię również zainteresować: Cyfrowa transformacja w przemyśle: 81% firm przyspiesza zmiany
Co tydzień otrzymaj od nas porządną dawkę wiedzy o branży przemysłowej!
