A nova fronteira da automação em robótica de código aberto
\n
A integração entre o desenvolvimento de hardware e o treinamento de modelos de inteligência artificial acaba de ganhar um fluxo de trabalho contínuo e automatizado. Através do uso do Strands Robots, um SDK de código aberto da AWS sob licença Apache 2.0, desenvolvedores podem agora realizar todo o ciclo de vida de um agente robótico, desde a gravação de demonstrações até o treinamento e a implantação física, sem a necessidade de conversões de dados manuais.
\n\n
O diferencial dessa abordagem reside na utilização do formato de dados LeRobot, que já é amplamente adotado com mais de 90.000 conjuntos de dados e modelos hospedados no Hugging Face. Ao manter o formato de disco constante, o sistema permite que qualquer ferramenta compatível com o LeRobot acesse as informações sem latência de conversão, garantindo que o que é capturado pelo hardware seja exatamente o que será consumido pelas GPUs durante o treinamento.
\n\n
Eficiência no fluxo de dados com Storage Buckets
\n
Para resolver o problema de redundância e custo de transferência de dados, a solução introduz o uso de Hugging Face Storage Buckets. Diferente dos repositórios de conjuntos de dados tradicionais que funcionam por meio de commits, os buckets funcionam como repositórios de objetos mutáveis que permitem sobrescrever dados em tempo real. Isso é fundamental para a coleta de dados contínua, onde novas demonstrações são adicionadas ao longo do dia sem a necessidade de duplicar volumes massivos de arquivos para cada nova sessão de treinamento.
\n\n
- \n
- Gravação: O robô registra episódios de câmeras e telemetria de juntas em formato LeRobot.
- Sincronização: Os dados são enviados para um Storage Bucket via hf CLI, otimizando a transferência de bytes alterados.
- Treinamento: O modelo lê o dataset diretamente do Hub via streaming, sem necessidade de download completo para o disco local.
- Implantação: O checkpoint treinado é enviado de volta ao hardware com uma simples alteração de argumento no código.
\n
\n
\n
\n
\n\n
Autonomia na gestão de agentes
\p>\n
O maior desafio em operações robóticas em larga escala é a tomada de decisão sobre quais episódios manter, quando um cenário precisa ser regravado e qual modelo atualizado deve substituir o que está rodando no braço robótico. O framework Strands Robots permite que um agente tome essas decisões de forma autônoma, gerenciando o ciclo entre o ambiente de simulação e dispositivos físicos, como o modelo SO-101.
\n\n
Com a implementação desses fluxos, o processo deixa de ser uma sequência de tarefas isoladas para se tornar um loop de aprendizado contínuo. O agente decide executar um episódio, invoca as ferramentas necessárias e o rollout prossegue na frequência de controle do robô, garantindo que o aprendizado por demonstração seja contínuo e eficiente em termos de infraestrutura de nuvem.
\n\n
Com informações de: Hugging Face Blog