Datainnsamling om humanoid robotikk i stor skala: 5,000 timer i måneden med bevegelsesdata fra simulering til virkelighet
Hvordan Shaip leverer 5,000 gyldige timer per måned med egosentriske VR-bevegelsesfangstdata på tvers av 1,500–2,500 deltakere, 300–400 oppgaver og 50+ forskjellige opptaksinnstillinger i seks miljøtyper.
Prosjektoversikt
Etter hvert som fysisk AI og humanoid robotikk blir tatt i bruk i den virkelige verden, trengte klienten et skalerbart rammeverk for å samle inn 5,000 gyldige timer per måned med oppgavebaserte VR-bevegelsesdata på tvers av ulike miljøer med konsekvent kalibrering, utførelse og kvalitetssikring (QA).
Shaip bygde en komplett dataoperasjonspipeline som dekker sceneoppsett, QR-kartlegging, sporing med fem sensorer, deltakerøving, moderert opptak og gjennomgangsarbeidsflyter for å støtte 300–400 kundedefinerte oppgaver og levere modellklare, kroppsliggjorte AI-datasett i stor skala.
Nøkkeltall
Deltakere
1,500–2,500 per syklus
Datavolum
5,000 gyldige timer per måned
Miljødekning
50+ opptaksinnstillinger på tvers av kontor, hjem, fabrikk, kafé, lager, farmasi og mer
Tidslinje
Løpende månedlig syklus
Utfordringer
- Skalering av innsamling av bevegelsesdata fra kontrollerte pilotlignende arbeidsflyter til en regelmessig prosess 5,000 gyldige timer månedlig program.
- Vedlike jevn sporingsnøyaktighet på tvers av varierte virkelige scener og deltakeroppsett.
- Sørge for at hver økt oppfyller strenge krav til søknad bygg- og versjonskontroll, oppsett av delt nettverk, skjermcasting og sensorparing.
- Administrerende 300-400 kundedefinerte oppgaver på tvers av kategorier som bevegelse, objektmanipulering, husholdningsinteraksjon, kontorinteraksjon og fysiske arbeidsflyter i flere trinn – som alle krever riktig sceneoppsett, objektplassering, deltakerberedskap og moderatorledet validering.
- Konvertering av rå økter til modellklare utganger gjennom repeterbar kvalitetssikring, håndtering av nye vurderinger og arbeidsflyter for opplasting av vurderinger.
Oppløsning
Innsamlingsstrategi
Shaip utviklet et innsamlingsrammeverk som leverer 5,000 gyldige timer med VR-bevegelsesdata per måned i milepælbaserte grupper. Basert på et planleggingsforhold på 3–5 deltakere per 10 gyldige timer, krever hver månedlige syklus anslagsvis 1,500–2,500 deltakere.
Miljø- og scenehåndtering
Miljøene er strukturert på to nivåer. Seks brede miljøtyper – kontor, hjem, fabrikk, kafé, lager og farmasøytisk industri – er delt inn i mer enn 50 forskjellige opptaksinnstillinger, hver med en spesifikk fysisk plassering, for eksempel et gjesterom, en espressostasjon, en monteringsbenk eller en pakkelinje. Hver setting behandles som en strukturert scene. Shaip dokumenterer den ved hjelp av vidvinkelfotografering i rommet, konfigurerer scener i administrasjonssystemet, koordinerer kundeanmeldelser og eksporterer scene-PDF-er for fysisk plassering. QR-koblet scenekartlegging sikrer at hver setting pålitelig kan knyttes til riktig opptakskontekst.
Enhets- og applikasjonsberedskap
Shaip standardiserer teknisk beredskap ved å sørge for at VR-headsettet og overvåkingsenheten er koblet til samme nettverk, kontrollere installasjon av applikasjonsbygging og oppdateringsflyt, og aktivere nettleserbasert skjermcasting for moderatorens synlighet gjennom hele økten.
Bevegelsessporing og kalibrering
Før hver økt pares og valideres alle fem bevegelsesmålerne. Kalibrering er obligatorisk for alle deltakere, inkludert kontroller av avatarjustering, gulvjustering og oppsett av tilpassede grenser for å sikre nøyaktig bevegelsesfangst av hele kroppen innenfor det opptakbare aktivitetsområdet.
Oppgaveutførelse og moderering
Deltakerne blir veiledet gjennom scenespesifikk oppgaveforberedelse og øving før opptaket. Moderatorer observerer via skjermopptak, verifiserer oppgavens nøyaktighet og bevegelsesklarhet, og går bare videre til liveopptak når sensoratferd og deltakerbevegelser oppfyller kvalitetsforventningene. Opptaksstart/stopp utføres via den definerte bevegelsesflyten.
Kvalitetssikring og modellklare resultater
Etter opptak lastes øktene opp for gjennomgang. Shaip validerer bevegelsesklarhet, oppgavekorrekthet, scenejustering og sensornøyaktighet, og avbryter eller tar ubrukelige opptak på nytt når det er nødvendig. Dette skaper en mer pålitelig vei mot annotasjonsklare, QA-verifiserte og modellklare datasett for kroppsliggjort AI- og robottrening.
Prosjektomfang
| Datasettype | Deltakere | Opptaksvolum | Miljødekning | Oppgavevolum | Oppsett av opptak | Tidslinje |
|---|---|---|---|---|---|---|
| Egosentrisk VR-bevegelsesfangst | 1,500–2,500 per syklus | 5,000 gyldige timer per måned | 50+ opptaksinnstillinger på tvers av kontor, hjem, kafé, fabrikk, lager, farmasøytisk industri og andre virkelige miljøer | 300–400 kundedefinerte oppgaver | VR-headset + 5 bevegelsessporere | Løpende månedlig syklus |
Utfallet
- Etablerte et skalerbart rammeverk for dataoperasjoner for 5,000 gyldige timer per måned med fysisk AI treningsdata
- standardisert scenestyring, QR-basert kartlegging og kalibrering med fem sensorer på tvers av distribuerte miljøer
- Forbedret konsistens i innsamlingen gjennom moderert øving, gjennomgang av skjermopptak i sanntid og kvalitetssikring på øktnivå
- aktivert oppgavevaliderte, annotasjonsklare utganger for nedstrøms kroppsliggjort AI, simulering og robotikkmodellutvikling
- Styrket klientens sim-til-real data pipeline med egosentrisk bevegelsesfangst av høy kvalitet fra ulike virkelige miljøer
Alt i alt bidro Shaip til å transformere et komplekst VR-opptakskrav til en strukturert, produksjonsklar datapipeline – en som er i stand til å støtte fysisk AI, kroppsliggjort intelligens og humanoide robotikkinitiativer med sterkere konsistens, sporbarhet og skalerbarhet.
Shaip hjalp oss med å bygge datadriftsryggraden for vår fysiske AI-veikart. Teamet deres strukturerte bevegelsesfangst i flere miljøer, deltakerhåndtering, sceneoppsett, kalibrering og kvalitetssikring – noe som gjorde det mulig for oss å generere modellklare datasett som støtter simulering-til-virkelig-læring for kroppsliggjort AI og humanoid robotikk.
