Génération de données synthétiques

Dans le domaine de la robotique, les données synthétiques peuvent être utilisées afin d'entraîner des modèles d’IA déployés pour des robots de perception et préhension, ou des robots d’inspection visuelle.

La détection de défauts sur des pièces manufacturées s’avère extrêmement difficile car les anomalies sont souvent subtiles. Des données synthétiques basées sur des défauts réels comme des rayures, des éclats ou des bosses peuvent être créées pour entraîner des modèles d’IA à détecter des défauts lors des stades initiaux du processus de production.

Déployer un véhicule autonome et lui permettre de circuler en toute sécurité dans son environnement nécessite d’importants volumes de données d’entraînement, dont l’acquisition s’avère extrêmement coûteuse et dangereuse en pratique. Les données synthétiques 3D peuvent être utilisées pour développer et tester des solutions pour véhicules autonomes dans un environnement simulé, ce qui permet de réduire les délais de test et d’entraînement, mais aussi de diminuer les coûts.

Pour générer des données synthétiques, il faut commencer par créer un jumeau numérique de l’environnement sur lequel vous allez entraîner votre modèle d’IA.

Si vous entraînez un modèle d’IA pour robot d'entrepôt, vous devrez créer une scène virtuelle contenant des objets tels que des transpalettes ou des rayons de stockage. Si vous entraînez un modèle d'IA pour l'inspection visuelle sur une chaîne d'assemblage, vous devrez créer une scène virtuelle avec des objets tels qu’un tapis roulant et le produit à fabriquer.

Lors de la mise en œuvre de pipelines de données synthétiques, les développeurs sont confrontés à un défi majeur : combler l’écart entre la simulation et la réalité. Pour créer des données synthétiques qui reflètent des situations du monde réel, il faut rendre votre scène aléatoire afin de refléter la pléthore de cas de figure qu’un modèle d’IA est susceptible de rencontrer. Cela implique de modifier divers aspects d’une scène, tels que la position des objets, les textures et l’éclairage. Vous pouvez également changer la position de la caméra et ajouter des distractions environnementales susceptibles d'affecter les performances du modèle.

Avec le SDK NVIDIA Omniverse™ Replicato, les développeurs peuvent créer des pipelines personnalisés qui permettent aux infographistes de créer et de randomiser des données synthétiques pour générer diverses situations d’entraînement de l’IA. Omniverse Replicator alimente NVIDIA Isaac Sim™ vous permettant de générer des données synthétiques pour les applications de robotique et la simulation de véhicules autonomes. Vous pouvez ainsi accélérer votre développement.