Die Ära, in der Roboter nach Jobs suchen, steht möglicherweise kurz bevor.

Niemand hätte gedacht, dass Chapingjun dieses Jahr am Qixi-Fest mit einem Roboter verbringt...

Genau, wir sind in diesen Tagen wieder einmal nach Peking gefahren und haben die diesjährige Welt-Roboter-Konferenz (WRC) besucht.

Man muss sagen, dass Peking bei der Veranstaltung von Roboter-Konferenzen tatsächlich weit mehr Vorteile hat als Shanghai.

Zum Beispiel ist das Wetter deutlich kühler.

Wir werden nicht erleben, dass ein Roboter wegen der großen Hitze einen Hitzschlag bekommt und am Straßenrand zusammenbricht.

OK, wir sind vom Thema abgekommen. Nachdem wir die diesjährige WRC mit einer riesigen Menschenmenge besucht haben.

Eines der größten Gefühle von Chapingjun ist:

Jetzt fangen Roboter wirklich an, zu arbeiten.

Wir werden nicht viel über die altmodischen Roboter sprechen, die Jianbing-Guozi machen, Kaffee zubereiten oder Waren in Convenience Stores kommissionieren, schließlich sind diese Arbeiten an vielen Orten schon längst alltäglich.

Sogar wenn Chapingjun im Supermarkt einkauft, trifft er auf Roboter, die Kindern probierbaren Joghurt einschenken... Man kann sagen, dass Roboter von den Darstellern auf den Messeständen zu Arbeitern geworden sind, die wir überall im Alltag sehen können.

Auf der diesjährigen Messe hat Chapingjun jedoch entdeckt, dass eine große Anzahl von Roboter-Arbeitskräften an Orten versteckt ist, die wir nicht sehen können.

Wie zum Beispiel die Roboter, die Waren auf Fabrikfließbändern transportieren:

Und die Roboter, die für die Kommissionierung von Paketen zuständig sind:

Roboter, die Menschen direkt massieren können:

Sie können sogar orthopädische Operationen durchführen:

Sogar Aufgaben wie das Sortieren von Gepäck auf Flughäfen und das Aufsaugen von Müll auf dem Boden von Sehenswürdigkeiten werden zunehmend von Robotern erledigt.

Und es ist interessant, dass Roboter zwar immer näher an unser Produktions- und Lebensumfeld heranrücken, die Menschen aber nicht mehr so sehr nach spektakulären Techniken streben wie am Anfang.

Die Formen von Robotern werden immer vielfältiger, die Leute scheinen ihre Faszination für humanoide Roboter verloren zu haben.

Natürlich bedeutet das nicht, dass sie ihren hohen Status verloren haben, humanoide Roboter sind immer noch die Hauptattraktion der Messe.

Aber auf dem diesjährigen WRC-Messegelände ist die humanoide Form nicht mehr die einzige Lösung.

Wir haben vor Ort Roboter gesehen, deren Fahrgestell die Form eines Zentauren hat.

Wir haben auch viele reine Arbeitsroboter gesehen, deren Unterteil Raupen und deren Oberteil mechanische Arme sind.

Jeder Hersteller leitet das Design von Robotern ausgehend von den tatsächlichen Anforderungen an die praktische Anwendung ab.

Und sie können diese vielfältigen Ideen tatsächlich zu Produkten umsetzen, die funktionieren und laufen.

In gewisser Weise ist dies genau ein wichtiges Zeichen dafür, dass die inländische industrielle Kette für Embodied Intelligence in China zunehmend reif wird.

Wir haben jedoch auch festgestellt, dass die meisten praktischen Anwendungsaufgaben, die in den Ausstellungshallen gezeigt werden, von Robotern nur sehr langsam erledigt werden können. Die Aufgabe wird am Ende abgeschlossen, aber Chapingjun ist daneben sehr unruhig.

Außerdem sind die meisten Roboter nicht universell genug: Ein Roboter kann nur mit einem Algorithmus ausgestattet werden, um eine Aufgabe zu erledigen. Es gibt noch eine große Lücke zu den Robotern, die wir uns vorstellen, die alles können.

Also stellt sich die Frage: Was fehlt noch, damit Roboter, die bereits einen Körper haben und gelernt haben, verschiedene Aufgaben zu erledigen, wie Menschen arbeiten können?

Nach einem Rundgang auf der WRC hat Chapingjun festgestellt, dass es mit der zunehmenden Reife der Roboter-Körper immer wichtiger wird, ein intelligentes Gehirn zu trainieren und zu entwickeln.

In den letzten Jahren hat sich die Forschung zu Roboter-Gehirnen immer auf die drei Glieder Wahrnehmung, Entscheidungsfindung und Steuerung konzentriert, mit dem Ziel, dass Roboter die Umgebung verstehen, Bewegungen selbstständig planen und schließlich Aufgaben präzise erledigen können.

Aber in Wirklichkeit gibt es noch eine riesige Datenlücke in mehreren Größenordnungen, um die Theorie in die Praxis umzusetzen.

Ein Mensch braucht vielleicht nicht einmal ein paar Minuten, um zu lernen, einen Schreibtisch aufzuräumen. Ein Roboter muss jedoch die tatsächlichen Betriebstrajektorien unter verschiedenen Bedingungen lernen, z. B. verschiedene Tische, verschiedene Gegenstände, verschiedene Anordnungsweisen usw.

Aber aufgrund der derzeitigen Datenerfassungsgeräte ist es nicht einfach, hochwertige Trainingsdaten für Roboter zu erhalten.

Zum Beispiel haben die Bildrate der Kamera des Datenerfassungsgeräts und die Synchronisationsfrequenz der Sensoren eine Obergrenze. Menschen dürfen ihre Bewegungen bei der Datenerfassung nicht zu schnell und nicht zu groß ausführen. Sonst sind die Bewegungen zwischen zwei Bildern in den Augen des Roboters so schnell, dass sie verschwimmen, wichtige Informationen gehen verloren und der Trainingseffekt nimmt ab.

Das erklärt eigentlich auch, warum Roboter heute nicht so schnell arbeiten können wie Blitze: Da Menschen die Daten nur langsam erfassen können, sind die Roboter, die von solchen "Lehrern" gelernt haben, natürlich auch schwer zu beschleunigen.

Noch problematischer ist, dass Roboter-Daten sehr komplex sind. Oft müssen gleichzeitig mehrdimensionale Informationen wie Vision, Gelenkbewegungen, Kraft, Tastsinn und sogar Umgebungsänderungen synchron erfasst werden. Sie sind viel feiner als die Text- und Bilddaten, die große Modelle verarbeiten.

Das führt auch zu steigenden Kosten für die Erfassung von Roboter-Daten. Für eine Stunde hochwertiger Roboter-Betriebsdaten sind Hunderte von Yuan zu zahlen, und es gibt immer noch Abnehmer dafür.

Natürlich sind die Leute nicht untätig. Da die Datenerfassung nicht ausreicht, müssen sich die Methoden der Datenerfassung natürlich auch ändern.

In der Vergangenheit war das gängigste Erfassungsschema VR-Headset + Controller. Der Vorteil dieser Erfassungsmethode ist offensichtlich: Sie ist billig und bequem, die Hardware ist fertig verfügbar, man muss nur ein Programm darauf installieren und es modifizieren, um es zu verwenden.

Aber der Nachteil ist auch offensichtlich: Die Dimension der erfassbaren Daten ist zu gering.

Früher verwendeten viele Roboter ursprünglich Zwei-Finger-Greifer mit wenigen Steuerungsvariablen. Auf der Seite der Teleoperation reicht der Abzugstasten eines VR-Controllers aus, um zu steuern, ob er sich öffnet oder schließt.

Aber sobald das Ende durch eine geschickte Hand mit mehr als 20 Freiheitsgraden ersetzt wird, reicht ein Abzugstaste offensichtlich nicht mehr aus. Wenn man Kamera + Hand-Erkennung verwendet, nimmt die Genauigkeit stark ab.

Um Roboter also beizubringen, wie sie handeln sollen, brauchen wir vielleicht bessere Datenerfassungsmethoden. Auf der Messe haben wir gesehen, dass viele Unternehmen bereits auf diesem Gebiet konkurrieren.

Zum Beispiel hat jemand zuvor einen mechanischen Handschuh speziell für die Datenerfassung entwickelt. Sobald man diesen Handschuh anzieht, kann er fast alle Bewegungshaltungen der Gelenke an der Hand aufzeichnen.

Man kann sagen, dass man den Robotern von Hand beibringt, wie Menschen ihre Kraft einsetzen.

Ein anderes Unternehmen hat die Dimension der Datenerfassung noch einmal verdoppelt: Neben dem exoskelettalen Datenerfassungs-Handschuh haben sie das traditionelle, große und schwere VR-Headset ersetzt.

Stattdessen wird ein Stirnband mit zwei Augen-Kameras verwendet. Auf diese Weise werden nicht nur flache Videos erfasst, sondern auch räumliche Tiefeninformationen direkt abgerufen, sodass die Daten, die an den Roboter übergeben werden, noch umfangreicher und vollständiger sind.

Zusammenfassend ist das größte Gefühl von Chapingjun nach dem Besuch der diesjährigen WRC, dass Roboter in eine Entwicklungsphase voller rasanter Veränderungen eintreten.

Letztes Jahr auf der WRC haben die Roboter, die die Leute gesehen haben, meistens nur auf dem Messestand getanzt oder "gekämpft".

Dieses Jahr ist es offensichtlich anders: Alle Segmente sind voll von Teilnehmern, die sich um reale Szenarien drehen und ernsthaft erforschen