“100个中仅30个能存活”……LG电子启动机器人学习用“数据工厂”

为了让机器人像人一样行动，海量的学习数据是必不可少的。然而，机器人在现场遇到的数据就像未经精炼的矿石，将其转化为可用于实际学习的“标准答案”的过程需要耗费巨大的成本和时间。为了解决这一问题，LG电子构建了一个集数据生成、精炼、学习及验证于一体的机器人训练基地——“LG数据工厂”。

“100个中仅能使用30个”……机器人数据的高门槛

LG电子运营的数据工厂就像是机器人的“补习班”。LG电子 Park Gi-beom 负责人将数据工厂定义为“生成、精炼、学习、验证数据的机器人训练基地，也是制作学习资料的地方”。目前，这里已配置了约100台机器人，并计划在年底前扩充至200台规模。Park 负责人表示：“虽然是下半年开始的，但速度非常快，很快就达到了200台的规模。实际的量产规模要比这大得多。”

机器人学习最大的难题在于数据的质量。据 Park 负责人称，通过人工直接操控机器人来收集数据的“远程操作（Teleoperation）”方式虽然能获得最高质量的数据，但由于需要投入熟练作业人员的劳动力，时间和成本都非常高。实际上，即使通过远程操作收集了100个数据，受操作者差异的影响，能够用于实际学习的有效数据仅为30%左右。

为了克服这一限制，LG电子通过三种途径获取数据。第一种是通过直接操控机器人获得的数据；第二种是利用将人体动作转换为机器人动作的“重定向（Retargeting）”技术获得的数据；第三种是在虚拟环境中放大数据的“合成数据（Synthetic Data）”方式。重定向是将人类视频与机器人执行器（Actuator）数值进行映射的工作。特别是最近，LG电子正集中精力通过结合视觉AI与模仿学习、让机器人自主移动并生成标准答案的“自动运维（Auto-ops）”技术，来减少人工干预并提高数据生成速度。不过，Park 负责人补充道：“Auto-ops虽然速度快且无需人工即可积累数据，但存在数据多样性不足的缺点。”

数据飞轮与“Auto-ops”……缩小现场差距的技术力

解决机器人学习内容应用于实际现场时产生的“领域间隙（Domain Gap）”也是数据工厂的核心课题。如果出现工厂照明不同，或者货架高度和数量发生细微差异等预料之外的变量，机器人可能会发生误动作。为此，LG电子运营着一种“数据飞轮（Data Flywheel）”结构，即生成数据、进行学习、投入现场后，再次收集数据并进行再学习。

Park 负责人将这一过程比作高考。“如果训练和中期训练过程是多次模拟考试，那么现场验证（PoC）就像是高考，”他解释道，“通过模拟考试学习各种变量，在最后阶段经过针对实际现场的后期训练来提高完成度。”学习所需的数据量因作业种类而异，例如搬运杯子等任务，以后期训练为标准，仅需约100小时左右的数据也能取得成效。

LG电子坚持利用自有机体构建数据的策略，而非从外部购买数据。这是因为外部数据虽然价格可能较低，但如果与LG电子直接制造的机器人机体特性（Form Factor）不一致，准确度就会下降。机器人学习的核心在于“要执行什么任务”以及“那时我的身体（机体）应处于什么状态”这两组要素，而使用自家机体制造的数据准确度要高得多。Park 负责人强调：“如果能做出针对我们机体特化的模型，客户在现场执行特定任务时，只需极少量的数据和时间即可实现精细的学习。”

通过“One LG”协同效应确保物理人工智能的主导权

数据工厂是LG集团实力的集结地。AI研究员的独立模型开发及中期训练专家角色、LG伊诺特的高性能摄像头技术（视频信号处理）、LG CNS的定制化系统构建及交付能力在此汇聚。这种“One LG”体制成为了整合硬件与软件、快速供应完整型机器人的基础。

最近，NVIDIA 的相关人员访问了数据工厂，甚至使用了“Incredible”一词来表达对LG准备速度的惊讶。Park 负责人解释道：“与美国企业为了机器人测试而租用爱彼迎来获取空间不同，LG同时构建了能够处理大规模数据的基础设施以及能够解决量产阶段问题的环境。”他还表示，他将LG视为向NVIDIA提供E2E（端到端）组装产品的合作伙伴，以及向MS提供机器人运营所需云基础设施的合作模型。

最终，物理人工智能（Physical AI）时代的胜负手取决于“谁能更高效地获取高质量数据”。LG电子计划基于通过数据工厂构建的技术力，实现代替家务劳动的“Zero Labor Home”愿景。

来源：原视频（YouTube）