Robotics timelines hinge on building real-world data flywheels
The analysis rejected a 2050 timeline for autonomous driving, pointing to Tesla, Waymo and Wave deployments that were described as working extremely well. Autonomous-driving companies benefit from a data-accumulation flywheel, including information from cases where systems do not work well.
For newer robotics and industrial-automation categories, deployments remain nascent, creating a chicken-and-egg problem. The timeline for progress is expected to depend largely on how quickly companies can collect data at sufficient scale and in the right categories.
Antioch’s proposed hybrid-simulation approach would use limited real-world data to improve simulations, then use those simulations to train better physical robots. The goal is to improve sample efficiency, accelerate deployment and create a self-reinforcing data loop.
Сроки развития робототехники зависят от создания циклов накопления данных из реального мира
В анализе отвергался прогноз о появлении автономного вождения лишь к 2050 году; при этом приводились развертывания Tesla, Waymo и Wave, которые были описаны как работающие чрезвычайно хорошо. Компании в сфере автономного вождения получают преимущество благодаря циклу накопления данных, включая информацию о случаях, когда системы работают неправильно.
В более новых категориях робототехники и промышленной автоматизации развертывания пока находятся на ранней стадии, что создает проблему «курицы и яйца». Ожидается, что сроки прогресса в значительной степени будут зависеть от того, насколько быстро компании смогут собирать данные в достаточном масштабе и нужных категориях.
Предлагаемый Antioch гибридный подход к симуляции предполагает использование ограниченного объема данных из реального мира для улучшения симуляций, а затем — применение этих симуляций для обучения более совершенных физических роботов. Цель состоит в повышении эффективности использования примеров, ускорении развертываний и создании самоподдерживающегося цикла данных.