NVIDIA透過Omniverse Replicator產生符合真實物理資料 加速機器人、車輛訓練

過去針對機器人學習推出Isaac Sim訓練平台，後續更針對自駕車提出DRIVE Sim訓練平台之後，NVIDIA 進一步提出Omniverse Replicator訓練資料生成引擎，藉由產生符合真實物理狀態的模擬合成資料，讓Isaac Sim、DRIVE Sim能以此加速訓練深度神經網路，藉此減少持續蒐集更多訓練資料所需花費成本。

依照訓練原則，無論是Isaac Sim或DRIVE Sim都需要資料作為支撐，而要讓機器人或車輛有更精準的運作表現，意味需要更多資料進行訓練，因此在過去的作法就需要持續累積更多有用資料，如此才能讓機器人或車輛正確學習訓練。

而此次提出的Omniverse Replicator訓練資料生成引擎，則是可運用既有資料，持續生成能用於訓練的合成資料，並且符合真實物理狀態，藉此讓機器人、車輛可利用這些資料持續進行訓練，之後具有一定自主運作能力時，即可應用在真實世界，或是持續在真實世界進行更精準訓練。

除了可以填補訓練資料不足問題，Omniverse Replicator更可解決在真實世界也難以補齊的資料落差情況，例如讓地處炎熱地帶的開發者能模擬雪地環境中的訓練需求，藉此讓旗下生產自動化機器人能夠順利在寒冷環境正常運作。

另一方面，透過合成資料自動生成方式，亦可降低原本累積資料所需人力、時間等成本，同時也能確保合成資料正確性，甚至可以透過大量生成方式縮減機器人或車輛訓練所需時間。

Omniverse Replicator訓練資料生成引擎預計從明年開始向開發人員提供使用，使其可建立對應特定領域的資料生成引擎。

《原文刊登於合作媒體mashdigi，聯合新聞網獲授權轉載。》