Datainsamling inom humanoid robotik i stor skala: 5 000 timmar per månad av rörelsedata från simulering till verklighet
Hur Shaip levererar 5 000 giltiga timmar per månad av egocentrisk VR-rörelsefångstdata över 1 500–2 500 deltagare, 300–400 uppgifter och 50+ olika inspelningsinställningar i sex miljötyper.
Projektöversikt
I takt med att fysisk AI och humanoid robotik går över till verklighetsbaserad driftsättning behövde klienten ett skalbart ramverk för att samla in 5 000 giltiga timmar per månad av uppgiftsbaserad VR-rörelsedata i olika miljöer med konsekvent kalibrering, exekvering och kvalitetssäkring (QA).
Shaip byggde en heltäckande pipeline för dataoperationer som omfattade scenuppsättning, QR-mappning, spårning med fem sensorer, deltagarrepetition, modererad infångning och granskningsarbetsflöden för att stödja 300–400 kunddefinierade uppgifter och leverera modellklara, förkroppsligade AI-datamängder i stor skala.
Nyckelstatistik
Deltagare
1 500–2 500 per cykel
Datavolym
5 000 giltiga timmar per månad
Miljötäckning
50+ inspelningsinställningar för kontor, hem, fabrik, café, lager, läkemedelsindustrin med mera
tidslinje
Löpande månadscykel
Utmaningar
- Skala upp insamling av rörelsedata från kontrollerade pilotliknande arbetsflöden till ett återkommande 5 000 giltiga timmar månatligt program.
- upprätthålla konsekvent spårningsnoggrannhet över olika verkliga scener och deltagaruppsättningar.
- Säkerställa att varje session uppfyller strikta krav för ansökan bygg- och versionshantering, konfiguration av delat nätverk, skärmsändning och sensorparning.
- Hantering 300-400 kunddefinierade uppgifter över kategorier som förflyttning, objektmanipulation, hushållsinteraktion, kontorsinteraktion och fysiska arbetsflöden i flera steg – som alla kräver korrekt scenuppställning, objektplacering, deltagarnas beredskap och moderatorledd validering.
- Konvertera råa sessioner till modellklara utgångar genom repeterbar kvalitetssäkring, hantering av omprov och arbetsflöden för uppladdning av granskningar.
Lösning
Insamlingsstrategi
Shaip utformade ett insamlingsramverk som levererar 5 000 giltiga timmar VR-rörelsedata per månad i milstolpsbaserade batcher. Baserat på en planeringskvot på 3–5 deltagare per 10 giltiga timmar kräver varje månadscykel uppskattningsvis 1 500–2 500 deltagare.
Miljö- och scenhantering
Miljöerna är strukturerade på två nivåer. Sex breda miljötyper – kontor, hem, fabrik, café, lager och läkemedelsindustri – är indelade i mer än 50 distinkta inspelningsmiljöer, var och en med en specifik fysisk plats, såsom ett gästrum, en espressostation, en monteringsbänk eller en förpackningslinje. Varje miljö behandlas som en strukturerad scen. Shaip dokumenterar den med hjälp av vidvinkelfotografering i rummet, konfigurerar scener i administrationssystemet, koordinerar kundrecensioner och exporterar scen-PDF:er för fysisk placering. QR-länkad scenmappning säkerställer att varje miljö pålitligt kan kopplas till rätt inspelningskontext.
Enhets- och applikationsberedskap
Shaip standardiserar den tekniska beredskapen genom att säkerställa att VR-headsetet och övervakningsenheten är anslutna till samma nätverk, styra installations- och uppdateringsflödet för applikationsbyggnationer och möjliggöra webbläsarbaserad skärmsändning för moderatorns insyn under hela sessionen.
Rörelsespårning och kalibrering
Före varje session paras alla fem rörelsespårare ihop och valideras. Kalibrering är obligatorisk för varje deltagare, inklusive kontroller av avatarjustering, golvjustering och anpassad gränsinställning för att säkerställa korrekt rörelseregistrering av hela kroppen inom det inspelningsbara aktivitetsutrymmet.
Uppgiftsutförande och moderering
Deltagarna guidas genom scenspecifika uppgiftsförberedelser och repetitioner före inspelningen. Moderatorer observerar via skärmdump, verifierar uppgiftens noggrannhet och rörelseskärpa och går vidare till liveinspelning först när sensorernas beteende och deltagarnas rörelser uppfyller kvalitetsförväntningarna. Inspelningen startar/stoppas via det definierade gestarbetsflödet.
Kvalitetssäkring och modellklara resultat
Efter inspelningen laddas sessionerna upp för granskning. Shaip validerar rörelseskärpa, uppgiftens korrekthet, scenjustering och sensorns noggrannhet, och avbryter eller gör om oanvändbara inspelningar vid behov. Detta skapar en mer pålitlig väg mot annoteringsklara, QA-verifierade, modellklara datamängder för utbildning i förkroppsligad AI och robotik.
Projektets omfattning
| Dataset typ | Deltagare | Inspelningsvolym | Miljötäckning | Uppgiftsvolym | Inställning av inspelning | tidslinje |
|---|---|---|---|---|---|---|
| Egocentrisk VR-rörelseinspelning | 1 500–2 500 per cykel | 5 000 giltiga timmar per månad | 50+ inspelningsinställningar för kontor, hem, café, fabrik, lager, läkemedelsindustrin och andra verkliga miljöer | 300–400 kunddefinierade uppgifter | VR-headset + 5 rörelsespårare | Löpande månadscykel |
Den Utfall
- Etablerade ett skalbart ramverk för dataoperationer för 5,000 giltiga timmar per månad av fysisk AI träningsdata
- standardiserad scenstyrning, QR-baserad kartläggning och kalibrering med fem sensorer över distribuerade miljöer
- Förbättrad insamlingskonsekvens genom modererad repetition, granskning av skärmdumpar i realtid och kvalitetssäkring på sessionsnivå
- Aktiverat uppgiftsvaliderade, annoteringsklara utdata för utveckling av modeller inom förkroppsligad AI, simulering och robotik efter nedströms
- Stärkte klientens sim-till-verklig datapipeline med högkvalitativ egocentrisk rörelseinspelning från olika verkliga miljöer
Sammantaget hjälpte Shaip till att omvandla ett komplext VR-insamlingskrav till en strukturerad, produktionsklar datapipeline – en som kan stödja initiativ inom fysisk AI, förkroppsligad intelligens och humanoid robotik med starkare konsekvens, spårbarhet och skalbarhet.
Shaip hjälpte oss att bygga dataoperationsgrunden för vår färdplan för fysisk AI. Deras team strukturerade rörelseinspelning i flera miljöer, deltagarhantering, scenuppsättning, kalibrering och kvalitetssäkring – vilket gjorde det möjligt för oss att generera modellklara datamängder som stöder sim-till-verklighetsinlärning för förkroppsligad AI och humanoid robotik.
