Generación de Datos Sintéticos

En el campo de la robótica, los datos sintéticos se pueden utilizar para entrenar modelos de IA que se implementan para la percepción y el agarre de robots o en robots utilizados para inspección visual.

Detectar defectos en piezas fabricadas es extremadamente difícil porque a menudo las anomalías son sutiles. Se pueden crear datos sintéticos basados en defectos reales, como rayones, astillas o abolladuras, para entrenar modelos de IA para detectar defectos en las primeras etapas del proceso de fabricación.

Implementar un vehículo autónomo para que pueda navegar con seguridad en su entorno requiere cantidades masivas de datos de entrenamiento, que son extremadamente costosos y peligrosos de adquirir en la vida real. Los datos sintéticos 3D se pueden utilizar para desarrollar y probar soluciones de vehículos autónomos en un entorno de simulación, lo que reduce los tiempos de prueba y capacitación y reduce los costos.

Para generar datos sintéticos, primero debes crear un gemelo digital del entorno en el que entrenarás tu modelo de IA.

Si entrena un modelo de IA para un robot de almacén, necesitará crear una escena virtual con objetos como transpaletas y estantes de almacenamiento. Si entrena un modelo de IA para la inspección visual en una línea de ensamblaje, necesitará crear una escena virtual con objetos como una cinta transportadora y el producto que se está produciendo.

Uno de los desafíos clave que enfrentan los desarrolladores al desarrollar pipelines de datos sintéticos es cerrar la brecha entre simulación y realidad. Para crear datos sintéticos que reflejen escenarios del mundo real, necesitará aleatorizar su escena para reflejar la gran cantidad 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. Es posible que también desees modificar la posición de la cámara y agregar distractores ambientales que puedan afectar el rendimiento del modelo.

Con SDKNVIDIA Omniverse™ Replicator, los desarrolladores pueden crear pipelines personalizados que permiten a los artistas técnicos crear y aleatorizar datos sintéticos para diversos casos de uso de entrenamiento de IA. Omniverse Replicator potencia NVIDIA Isaac Sim™, lo que le permite generar datos sintéticos para aplicaciones de robótica y simulación de vehículos autónomos, que le permite generar datos sintéticos para un desarrollo acelerado.