Роботы учатся по сигналам мозга: Encord и Zander Labs тестируют новые данные

Сигналы мозга обогащают обучение роботов

Калифорнийская компания Encord, базирующаяся в Сан-Леандро, разрабатывает инструменты для обучения моделей искусственного интеллекта. Она собирает эгоцентричные видео с фабрик, но подчёркивает, что физические тренировочные данные сложнее и дороже в получении, чем данные из интернета. Руководитель отдела робототехнического обучения Encord Винеет Вельмурагян, опираясь на опыт работы в OpenAI и Berkshire Grey, отмечает, что аннотирование физических движений в разы ценнее и полезнее, чем эгоцентричные данные.

Новая методика с сенсорными шлемами для считывания мозговых волн

Немецкий стартап Zander Labs, специализирующийся на нейроэлектронике, создал сенсорные шлемы, которые в реальном времени отслеживают активность мозга. Encord и Zander Labs совместно тестируют эти устройства для создания наборов данных на основе мозговых волн. Эксперт Zander Labs по нейроэлектронике Лукас Герк отмечает, что технология обладает большим потенциалом для повышения качества физических тренировочных данных в робототехнике.

Новая связь между роботизированными руками и мозгом человека

Пилот Encord Эндрю Седжа надевает сенсорный шлем с камерой и аккуратно вынимает деревянные блоки в игре Дженга, считывая мозговые сигналы. Другой пилот, София Инфанте, с помощью роботизированных рук подключает и отключает ethernet-кабели за сервером. Такой подход обогащает аннотирование физических движений и позволяет роботам учиться точнее.

Будущее физических тренировочных данных

Создание физических тренировочных данных требует примерно в пять раз больше информации, чем сбор данных из интернета. Стоимость аннотирования в 20 раз выше, а польза — в 100 раз значительнее по сравнению с эгоцентричными данными. Encord также разрабатывает сенсоры для измерения электромиографических сигналов мышц. Эти инновации могут ускорить и повысить эффективность обучения роботов, создавая новый мост между человеческим мозгом и машинами.