Synthetische Datengenerierung

In der Robotik können synthetische Daten zum Trainieren von KI-Modellen verwendet werden, die für die Roboterwahrnehmung, das Greifen oder bei Robotern für die visuelle Inspektion eingesetzt werden.

Die Erkennung von Defekten in gefertigten Teilen ist extrem schwierig, da ‌die Anomalien oft subtil sind. Mithilfe von synthetischen Daten, die auf tatsächlichen Fehler wie Kratzern, Splittern oder Beulen basieren, lassen sich KI-Modelle so trainieren, dass Fehler frühzeitig im Fertigungsprozess erkannt werden.

Damit ein autonomes Fahrzeug sicher in seiner Umgebung navigieren kann, sind riesige Mengen an Trainingsdaten erforderlich, deren Erfassung im realen Leben extrem teuer und gefährlich ist. Mithilfe von synthetischen 3D-Daten können Lösungen für autonome Fahrzeuge in einer Simulationsumgebung entwickelt und getestet werden, wodurch die Test- und Trainingszeiten sowie die Kosten gesenkt werden.

Zum Generieren von synthetischen Daten müssen Sie zunächst einen digitalen Zwilling der Umgebung erstellen, in der Sie Ihr KI-Modell trainieren.

Zum Trainieren eines KI-Modells für einen Lagerrobotermüssen Sie eine virtuelle Szene mit Objekten wie Hubwagen und Lagerregalen erstellen. Zum Trainieren eines KI-Modells für die visuelle Inspektion an einem Fließband müssen Sie eine virtuelle Szene mit Objekten wie einem Förderband und dem zu produzierenden Produkt erstellen.

Eine der größten Herausforderungen für Entwickler bei der Entwicklung synthetischer Datenpipelines ist das Schließen der Sim-to-Real-Lücke. Um synthetische Daten zu erstellen, die reale Szenarien widerspiegeln, müssen Sie Ihre Szene randomisieren, um die Vielzahl von Szenarien widerzuspiegeln, denen ein KI-Modell begegnen kann. Demnach werden bestimmte Aspekte der Szene, z. B. die Position von Objekten, Textur und Beleuchtung, geändert. Möglicherweise möchten Sie auch die Kameraposition ändern und störende Umgebungseffekte hinzufügen, die sich auf die Leistung des Modells auswirken können.

Mit NVIDIA Omniverse™ Replicator SDK können Entwickler benutzerdefinierte Pipelines erstellen, mit denen technische Künstler synthetische Daten für verschiedene Anwendungsfälle beim KI-Training erstellen und randomisieren können. Omniverse Replicator unterstützt NVIDIA Isaac Sim™, sodass Sie synthetische Daten für Robotikanwendungen und die Simulation für autonome Fahrzeuge generieren und somit letztendlich synthetische Daten für eine beschleunigte Entwicklung generieren können.