Met een zet die de robotraining van klinisch schone laboratoria naar de warrige, onvoorspelbare werkelijkheid van alledag zou kunnen katapulteren, heeft NoeMatrix zojuist RoboPocket onthuld. Dit is een dataverzamelingskit die je smartphone effectief omtovert tot een professionele ruimtelijke datarecorder. Het systeem maakt slim gebruik van de multi-sensorfusie van een telefoon – denk aan Vision, LiDAR en IMU – om data met chirurgische precisie vast te leggen voor het trainen van ’embodied AI’. En dat alles met een apparaat dat gewoon in je broekzak past.
In tegenstelling tot de doe-het-zelf knutselwerken die urenlang tijdrovende nabewerking vereisen, fungeert RoboPocket als een intelligente spil. Het systeem geeft realtime feedback, waarschuwt de gebruiker als die te snel beweegt of buiten het werkgebied dreigt te treden, en beoordeelt de datakwaliteit ter plekke. Deze ‘AI-tutor’ garandeert dat alleen kraakheldere, bruikbare data de trainingspijplijn in worden gevoerd – want ‘garbage in, garbage out’ is in de robotica een les die je absoluut niet wilt leren, en die een fortuin kost. De kit bevat bovendien een afneembare fisheye-lens, om de telefoon een ultrabreed gezichtsveld te geven voor een werkelijk allesomvattende datacaptatie.
Het systeem is ontworpen voor schaalbaarheid én complexiteit. Meerdere telefoons met RoboPocket kunnen onmiddellijk tijdstempels en SLAM-coördinaten delen, wat het kinderspel maakt om gecoördineerde acties vanuit meerdere perspectieven vast te leggen – zoals manipulatie met twee armen. NoeMatrix heeft al aangetoond dat AI-modellen, exclusief getraind op RoboPocket-data, in staat zijn tot langdurige, complexe taken. Denk aan autonoom handdoeken vouwen en andere manipulatietaken op industriële schaal, en dat alles zonder enige handmatige teleoperatie.
Waarom is dit belangrijk?
RoboPocket verlaagt de drempel voor hoogwaardig robotica-onderzoek en -ontwikkeling drastisch. Door dure, gespecialiseerde hardware te vervangen door een alomtegenwoordig apparaat, democratiseert NoeMatrix de mogelijkheid om de gigantische hoeveelheden real-world data te verzamelen die nodig zijn om capabele, universele robots te trainen. Dit kan het tempo van innovatie in ’embodied AI’ aanzienlijk versnellen, waardoor meer teams voorbij simulatielabs kunnen kijken en robots kunnen leren navigeren en interageren met de chaos van de fysieke wereld. Kortom, je hoeft straks geen venture capital-ronde meer binnen te slepen alleen maar om een robot te leren hoe die je was moet opvouwen.
