Geração de Dados Sintéticos

No campo da robótica, os dados sintéticos podem ser usados para treinar modelos de IA que são implantados para percepção, apreensão ou em robôs usados para inspeção visual.

Detectar defeitos em peças fabricadas é extremamente difícil porque muitas vezes as anomalias são sutis. Dados sintéticos baseados em defeitos reais, como arranhões, lascas ou amassados, podem ser criados para treinar modelos de IA para detectar defeitos no início do processo de manufatura.

A implantação de um veículo autônomo para que ele possa navegar com segurança pelos arredores requer grandes quantidades de dados de treinamento, que são extremamente caros e perigosos de adquirir na vida real. Os dados sintéticos 3D podem ser usados para desenvolver e testar soluções de veículos autônomos em um ambiente de simulação, reduzindo os tempos de teste e treinamento e diminuindo os custos.

Para gerar dados sintéticos, primeiro você deve criar um gêmeo digital do ambiente no qual treinará seu modelo de IA.

Se estiver treinando um modelo de IA para um robô de armazém, você precisará criar uma cena virtual com objetos como porta-paletes e racks de armazenamento. Ao treinar um modelo de IA para inspeção visual em uma linha de montagem, você precisará criar uma cena virtual com objetos como uma correia transportadora e o produto sendo produzido.

Um dos principais desafios que os desenvolvedores enfrentam na criação de pipelines de dados sintéticos é fechar a lacuna entre o simulador e o real. Para criar dados sintéticos que reflitam cenários do mundo real, você precisará randomizar sua cena para refletir a infinidade de cenários que um modelo de IA pode encontrar. Isso significa modificar aspectos da cena, como posição dos objetos, textura e iluminação. Você também pode modificar a posição da câmera e adicionar distratores ambientais que podem afetar o desempenho do modelo.

Com o SDK NVIDIA Omniverse™ Replicator, os desenvolvedores podem criar pipelines personalizados que permitem aos artistas técnicos criar e randomizar dados sintéticos para vários casos de uso de treinamento de IA. O Omniverse Replicator potencializa o NVIDIA Isaac Sim™, permitindo gerar dados sintéticos para aplicações robóticas, e simulação de veículos autônomos, que permite gerar dados sintéticos para desenvolvimento acelerado.