Generación de datos sintéticos

En el campo de la robótica, los datos sintéticos pueden utilizarse para entrenar modelos de IA que se implementan para la percepción del robot, la captación o en robots utilizados para la inspección visual.

La detección de defectos en piezas fabricadas es extremadamente difícil porque‌ las anomalías suelen ser sutiles. Se pueden crear datos sintéticos basados en defectos reales, como rayones, desconchones o abolladuras, para entrenar modelos de IA que detecten los defectos en una fase temprana del proceso de fabricación.

Implementar un vehículo autónomo para que pueda navegar con seguridad por su entorno requiere cantidades ingentes de datos de entrenamiento, cuya adquisición en la vida real resulta extremadamente cara y peligrosa. Los datos sintéticos en 3D pueden utilizarse para desarrollar y probar soluciones de vehículos autónomos en un entorno de simulación, lo que reduce los tiempos de pruebas y entrenamiento, y abarata los costes.

Para generar datos sintéticos, primero debe crear un gemelo digital del entorno en el que va a entrenar el modelo de IA.

Si se entrena un modelo de IA para un robot de almacén, será necesario crear una escena virtual con objetos como conectores de palés y bastidores de almacenamiento. Si se entrena un modelo de IA para la inspección visual en una cadena de montaje, será necesario crear una escena virtual con objetos como una cinta transportadora y el producto que se está fabricando.

Uno de los principales retos a los que se enfrentan los desarrolladores a la hora de crear canalizaciones de datos sintéticos es reducir la brecha entre simulación y realidad. Para crear datos sintéticos que reflejen escenarios del mundo real, tendrá que aleatorizar la escena para reflejar la plétora de escenarios que un modelo de IA podría encontrar. Esto significa modificar aspectos de la escena como la posición de los objetos, la textura y la iluminación. También puede modificar la posición de la cámara y añadir distractores ambientales que puedan afectar al rendimiento del modelo.

Con el SDK NVIDIA Omniverse™ Replicator, los desarrolladores pueden crear canalizaciones personalizadas que permiten a los artistas técnicos crear y aleatorizar datos sintéticos para varios casos de uso de entrenamiento de IA. Omniverse Replicator potencia NVIDIA Isaac Sim™, que permite generar datos sintéticos para aplicaciones de robótica, y la simulación de vehículos autónomos, que permite generar datos sintéticos para acelerar el desarrollo.