Ego Kamera – Roboten Ikaskuntzako Datuak Biltzeko Buruan Muntatutako Ikusmen Estereoskopiko Tresna
Buruan muntatutako prismatiko kamera modulua, gizakien erakustaldi datuak jasotzeko esklusiboki eraikia. Hardwarearekin sinkronizatutako eta fabrikan aurrez kalibratutako sentsore gordin egozentrikoak ematen ditu imitazio ikaskuntza eta gorpuztutako IA hodiak elikatzeko.
IA fisikoak izurritea eragiten duen datu-botoi-lepoa
2026rako, adostasun unibertsal bat sortu da robotika industrian: datuak dira IA fisiko eskalagarriaren hedapena eragozten duen oztopo kritikoa. Hizkuntza-eredu handiek bilioi testu-tokenetan entrenatzen dira, baina gorpuztutako IA sistemek bolumen horren hamar milaren bat baino gutxiagorako sarbidea dute benetako munduko interakzio fisikoko irudietan.
Desberdintasun honek aurrerapenerako oztopo handia dakar. Robotika laborategi nagusiek kalkulatzen dute manipulazio politika aurreratuak entrenatzeko 100 milioi eta 1.000 milioi ordu arteko lehen pertsonan grabatutako irudi egozentrikoak beharko direla hurrengo 2-3 urteetan. Manipulazio zeregin diskretu bakar baterako ere, datu multzoak entrenatzeko 100.000 eta milioi bat ordu arteko giza jarduera grabatu behar dira.
Industriako profesionalek bat datoz datu egozentrikoak eskalagarritasun handiena eskaintzen duela. Unitate bakoitzeko hamar milaka dolar estatubatuar kostatzen diren teleoperazio plataforma garestietan oinarritu beharrean, ikerketa taldeek eta datu saltzaileek orain buru gainean muntatutako kamera arinak erabiltzen dituzte erakustaldi-irudiak grabatzeko, gizakiek eguneroko zeregin naturalak egiten dituzten bitartean.
Aldaketa hau dagoeneko ikusgai dago benetako munduan egindako inplementazioetan. 2026ko apirilean, biralki zabaldutako irudiek Indiako Delhi NCR eskualdeko milaka ehungintzako langile erakutsi zituzten Egolab.AI-k fabrikatutako buru-kamera trinkoak jantzita. Operadore hauek orain datu-multzo egozentriko masiboak sortzen dituzte hurrengo belaunaldiko robot humanoideak entrenatzeko.
Zergatik diren ezinbestekoak lehen pertsonan datu egozentrikoak
Robotek gizakiek ikusten duten ikusmen-sarrera zehatza hauteman behar dute giza trebetasun motorrak zehatz-mehatz errepikatzeko. 2025 eta 2026 artean argitaratutako ikerketa-uhin batek datu-multzo egozentrikoen balio eraldatzailea balioztatzen du:
1.
Giza Egoa Zeregin bakoitzeko 30 minutuko bideo egozentrikoak % 92,5eko batez besteko arrakasta-tasa lortzen du benetako manipulazio-zereginetan, eta horrek trebetasunak gizakietatik robotetara zero jaurtiketa egitea ahalbidetzen du.
2.
EgoMimika Giza erakustaldi-datuak integratzeak zereginen errendimendua % 34tik % 228ra hobetzen du, roboten entrenamendu-datuekin alderatuta. Ordubeteko giza eskuen irudi osagarriak askoz hobekuntza handiagoa ematen du modeloan, robotak berak bildutako datu gehigarriekin alderatuta. Giza-robot hibridoen datu-multzoek entrenamendu- eta hedapen-errendimendu hobea ere ematen dute, teleoperazio-lan-fluxu luzeetako irudiak barne.
3.
EgoScale NVIDIAko ikertzaileek garatu duten esparru honek 20.854 orduko giza irudi egozentrikoen datu-multzo anitza erabiltzen du trebetasun handiko manipulazio gaitasunak zeregin orokorretan eskalatzeko.
4.
AoE irekia 2.000 orduko bideo egozentrikoen datu-multzo bat kaleratzen du, eskuen zinematika sinkronizatuarekin eta ekintza atomikoen anotazioekin parekatuta.
5.
Punta-puntako esparruak EgoGuide eta EgoLive bezalako punta-puntako esparruek are gehiago errazten dituzte robotik gabeko erakustaldien harrapaketa eta eskala handiko datu-multzo egozentrikoen sorrera.
Industriaren bultzada hori gorabehera, kalitate handiko harrapaketa egozentrikorako hardware irtenbideak zatituta daude oraindik. Ikertzaileek eta datu taldeek kontsumitzaileen ekintza kamerak, errealitate areagotuko betaurrekoak eta neurrira egindako plataformak elkartu behar dituzte, sinkronizazioaren zehaztasuna, kalibrazioaren koherentzia eta erosotasuna arriskuan jarriz prozesuan.
Ego Kamera Produktuaren Ikuspegi Orokorra
Ego Camera buruan muntatutako kamera estereo prismatiko baten modulua da, roboten ikaskuntzan, gorpuztutako AIan eta imitaziozko ikaskuntzan datuak egozentrikoak harrapatzeko diseinatua.
Ikerketarako egokitutako kontsumitzaileentzako ekintza-kamerak ez bezala, Ego Kamera robotika akademiko eta industrialerako bereziki diseinatuta dago. Sentsore-datu gordinak, garbiak, hardwarearekin sinkronizatuak eta fabrikan aurrez kalibratuak sortzen ditu hasieratik, post-prozesatzeko konfiguraziorik behar izan gabe.
Oinarrizko zehaztapen teknikoak
| Zehaztapena | Xehetasunak |
|---|---|
| Irudi-sentsoreak | 2MP-ko CMOS sentsore bikoitzak |
| Ikus-eremu horizontala (HFOV) | 60–65°, gizakiaren ikusmen-eremu naturalarekin bat etorriz |
| Obturadorearen teknologia | Obturadore Globala; abiadura handiko mugimenduan obturadore birakariaren distortsioa ezabatzen du |
| IMU modulua | 6 ardatzeko ICM-26888-P (3 ardatzeko azelerometroa + 3 ardatzeko giroskopioa), 200–500 Hz-ko laginketa-maiztasuna |
| Sinkronizazio mekanismoa | Hardware GPIO abiarazlea; fotograma-IMU sinkronizazio errorea < 10 mikrosegundo |
| Denbora-zigilatzea | Irudi-fotograma eta IMU irakurketa bakoitzerako hardware mailako nanosegundoen denbora-zigilu bateratuak |
| Kable bidezko interfazea | USB 2.0 C motakoa, UVCrekin bateragarria; Windows, Linux eta ROSerako plataforma anitzeko SDK laguntza |
| Haririk gabeko hedapena | WiFi barnekoa + MicroSD txartelaren biltegiratzea; irudiak tokiko biltegiratzeari lehentasuna ematen zaio, sarera berriro konektatzean automatikoki hodeian kargatzen da |
| Muntaketa estandarra | 1/4″-20 haridun muntatzeko zuloak, merkatu osteko buruko uhalekin eta neurrira egindako euskarriekin bateragarriak |
| Kalibrazioa | Fabrikan aurrez kalibratutako estereo intrintseko/extrinseko parametroak eta kamera-IMU transformazioak, behin betiko gordeta barneko flash memorian |
Zergatik den Global Shutter-a negoziaezina roboten ikaskuntzarako
Kontsumitzaileen kamerek obturadore-sentsoreetan oinarritzen dira, pixel-errenkadak sekuentzialki erakusten dituztenak. Giza eskuaren mugimendu azkarrek —erakustaldi-irudietan beti presente dagoen elementua— obturadore-artefaktu larriak sortzen dituzte, "gelatina-efektua" bezala ezagutzen direnak: objektuen ertz okertuak, deformazio geometrikoa eta ezaugarrien jarraipen ez fidagarria.
Distortsio hauek robotika-hodiak oztopatzen dituzte. VIO frontend-ek, SLAM algoritmo bisualek eta imitaziozko ikaskuntza-politikek ezin dituzte onartu fotograma arteko ezaugarrien aldaketa aurreikusezinak, eta horrek ereduen orokortzea eta benetako munduko zereginen errendimendua izugarri hondatzen ditu.
Ego Kameraren obturadore globalaren sentsoreak pixel guztiak aldi berean erakusten ditu harrapaketa-leiho bakarrean. Fotograma bakoitza gorputz zurrun baten jarrera argi bati dagokio, zero distortsio geometrikorekin —robotika ikerketa zorrotzerako eta modelo komertzialen prestakuntzarako derrigorrezko estandarra—.
Industriak gero eta datu-multzo egozentriko handiagoak bilatzen dituen heinean (adibidez, EgoLive-ren etxeko eta industria-zeregin errealak biltzen dituzten milaka orduko estereo-irudi estereoen artxiboak), distortsiorik gabeko eta fotograma-zehaztasuneko harrapaketa-hardwarearen eskaria handitzen jarraitzen du.
Hardwarearen sinkronizazioa: Kalitate baxuko eta ekoizpen-mailako prestakuntza-datuen arteko aldea
Gizakiek manipulazio sekuentziak exekutatzen dituztenean —heldu, heldu, objektuak jarri—, roboten politikek denbora-lerrokatze zehatza eskatzen dute eskuaren mugimendu bisualaren eta gorputzaren inertzia-mugimenduaren artean. Kameraren fotogramen eta IMU irakurketen arteko desinkronizazio milisegundo gutxi batzuek ere entrenamendu-datu multzo osoak kutsatzen dituzte. Softwarean oinarritutako denbora-zigiluen lerrokatzeak (sinkronizazio leuna) desbideratzea metatzen du grabazio-saioetan zehar eta ez ditu betetzen fideltasun handiko VIO eta imitaziozko ikaskuntza-hodietarako zehaztasun-estandarrak.
Ego Kamerak GPIO pultsu dedikatu bat erabiltzen du bi sentsore prismatikoak eta IMU aldi berean aktibatzeko, 10 mikrosegundo baino gehiagoko sinkronizazio zehaztasuna eskainiz. Irudi-fotograma eta inertzia-lagin bakoitzak hardware denbora-zigilu partekatua du, VINS-Fusion eta OpenVINS barne VIO esparru nagusien denbora-eskakizun zorrotzak betez.
Open-AoE bezalako datu-multzo egozentriko anotatu nagusiek hardware sinkronizazio maila honetan oinarritzen dira testu-etiketa sinkronizatuak, MANOS oinarritutako eskuen jarreraren estimazioa, kameraren ibilbidearen erregistroak eta denboran lokalizatutako ekintza atomikoen etiketak emateko; Ego Kamerak modu natiboan onartzeko diseinatutako oinarrizko entrega horiek guztiak.
Fabrikako aurre-kalibrazioa: Ezabatu denbora asko eskatzen duen kalibrazioa bertan
Eskuzko kalibrazioa baliabide gehien eskatzen dituen oztopoetako bat da hainbat kamerako datuak harrapatzeko lan-fluxuetan. Lenteen barne-parametroak, estereo kanpoko desplazamenduak eta kamera-IMU eraldaketa-matrizeak doitzeak ekipamendu optiko espezializatua, ezagutza teknikoa eta gailu bakoitzeko lan-orduak eskatzen ditu.
Ego Kamerak lan-fluxu hau erabat ezabatzen du. Unitate bakoitzak muturretik muturrerako kalibrazio osoa jasaten du fabrikatik irten aurretik. Parametro kritiko guztiak —foku-distantzia, puntu nagusien koordenatuak, distortsio-koefizienteak, estereo-estrinsikoak eta kamera-IMU transformazioak— behin betiko idazten dira barneko flash memorian.
Ikerketa taldeek eta datu saltzaileek baliozko irudiak grabatzen has daitezke kaxa ireki eta bost minutura, dama-taula formako jomugarik, kalibrazio-plataformarik edo erdi-eguneko kalibrazio-saiorik behar izan gabe. Gaur egungo goi-mailako datu-multzo egozentrikoek fabrikan aurrez kalibratutako kamera-hardwarea eskatzen dute, Ego Camera unitate guztietan zuzenean txertatutako zehaztapen bat.
Bi hedapen modu, hardware plataforma bateratu bakarra
1. USB kable bidezko modua
Konektatu ordenagailu eramangarrietara edo lan-estazioetara denbora errealeko aurrebista eta latentzia baxuko grabazioetarako. Ikertzaileek datuen kalitatea eskaeraren arabera balioztatzen duten laborategiko ingurune kontrolatuetarako optimizatua. Windows, Linux eta ROS robotika esparruekin bateragarriak diren plataforma anitzeko SDKek guztiz onartzen dute.
2. WiFi + MicroSD Txartela Lineaz Kanpoko Modua
Eskala handiko datu-bilketa banatuetarako grabazio askea. Hartutako irudi guztiak lehenik tokiko MicroSD biltegiratzean idazten dira, sareko etenaldietan datuak galtzea saihesteko; konexioa berreskuratzen denean, fitxategiak automatikoki sinkronizatzen dira urruneko hodeiko zerbitzariekin edo tokiko datu-biltegiekin. Egokia sukaldeetan, fabrikazio-tailerretan, bulegoetan eta beste benetako ingurune batzuetan eszena anitzeko grabazioetarako, milaka orduko erakustaldi-irudiak sortzeko.
Datu gordin egituratuen irteera (ez dago barneko adimen artifizialaren prozesamendurik)
Unitateak sentsore-datu gordin eta aldatu gabeak ematen ditu irteeran, irudi-leuntze integraturik, auto-anotaziorik edo gailuko AI inferentziarik gabe, prestakuntza-hodi pertsonalizatuetan integratzeko fideltasun gordin osoa mantenduz:
ezkerreko_bideoa.mp4/eskuineko_bideoa.mp4Sinkronizatutako estereo prismatikoen bideo-jarioakimu_6axis.csv6 ardatzeko inertzia-neurketa erregistroak (azelerometroa + giroskopioa), hardware denbora-zigiluekin etiketatutadenbora-markak_ns.txtIrudi-fotograma eta IMU lagin guztientzat nanosegundoko hardware-denbora bateratuakkalibrazio_parametroak.yamlFabrikan labean egindako intrintsekoak, estrintsekoak eta kamera-IMU kalibrazio-eraldaketak
Helburuko erabiltzaile segmentuak
Adimen artifizial gorpuztua eta imitaziozko ikaskuntza ikerketa akademikoko laborategiak
Humanoide robotak eta manipulazio robotika trebeak fabrikatzen dituztenak
IA bezero fisikoentzako prestakuntza-datu-multzoak sortzen dituzten datu-zerbitzu espezializatuen hornitzaileak
I+G taldeek VIO eta SLAM bisualen algoritmoak eraikitzen dituzte
Robotika taldeek eskala handiko egozentriko erakustaldi datuak biltzeko lan-fluxuak eskalatzen dituzte
Argitaratze data: 2026ko abuztuaren 11a
