Strands Robots træner robotter i et lukket loop uden dataflytninger
Strands Robots fra AWS bruger Hugging Face Storage Buckets til at fjerne unødvendige dataoverførsler, når robotter trænes og idriftsættes kontinuerligt.
Læs i dit tempo
Kort
AWS har lanceret Strands Robots, et åbent værktøjssæt (SDK) til styring og træning af robotter. Det forenkler processen og reducerer omkostninger ved at bruge standardiserede dataformater og smart lagring. Nu kan man lettere flytte træningen fra simuleringer direkte over på forskellige typer af fysisk robotudstyr.
Begynder
Amazon Web Services (AWS) har lanceret Strands Robots. Det er et såkaldt »open source« Software Development Kit (SDK), hvilket betyder, at det er en værktøjskasse til programmører, som alle må bruge og ændre. Man kan tænke på det som et LEGO-sæt til robothjerner. Det samler simulationer, forenklede robot-modeller og en værktøjspakke kaldet LeRobot i én enkelt styreenhed. Det gør det muligt at optage, hvordan et menneske udfører en opgave, træne robotten på det og sende programmet direkte ud til selve maskinen.
For at gøre træningen lettere har Hugging Face introduceret »Storage Buckets« i marts 2026. Det er digitale lagerbeholdere, der gør, at man slipper for at flytte enorme mængder data frem og tilbage. Tidligere skulle data kopieres til Graphics Processing Units (GPU'er), som er de kraftige chips, der driver kunstig intelligens, hver gang man trænede robotten. Det var både dyrt og tidskrævende. Nu fungerer lageret som en fleksibel arbejdsplads, hvor data kan ændres løbende. Man styrer det via en Command Line Interface (CLI), hvilket er en tekstbaseret måde at give computeren ordrer på.
Systemet bruger et fælles sprog kaldet LeRobot-formatet. Over 8.000 udgivere og 90.000 datasæt bruger allerede dette format. Da Strands Robots bruger det samme sprog hele vejen, behøver man ikke at oversætte eller konvertere dataene. Det betyder, at enhver løsning, der kan læse LeRobot-data, også kan forstå optagelser fra Strands Robots.
Værktøjet virker med mange forskellige robottyper, blandt andet modellen SO-100. Systemet har en slags digitalt register, der fungerer som en fabrik. Her kan man finde specifikke robotarme, menneskelignende robotter (humanoider), mobile baser og robot-hænder. Det sikrer, at den samme kode kan bruges på tværs af forskellige typer hardware, så man ikke skal starte forfra, hvis man skifter robot.
Vil du have, at jeg forklarer mere om, hvordan man konkret træner en robot ved hjælp af demonstrationer?
AWS har lanceret Strands Robots, som er et open source-SDK under Apache 2.0-licensen. Værktøjet samler robot-abstraktioner, simulation og LeRobot-stakken i én agent. Det gør det muligt at optage robotdemonstrationer, træne på dem og idriftsætte den færdige model direkte på hardwaren.
Hugging Face Storage Buckets, som blev annonceret i marts 2026, fjerner behovet for at flytte store datamængder gentagne gange. Ved kontinuerlig træning opstod der før udgifter til de samme byte-overførsler, fordi hele datasættet blev kopieret til GPU'erne før hver træning. De nye Storage Buckets fungerer som et foranderligt (mutable) lagringslag, der ligger i hf://-navnerummet og styres via hf CLI. Dette lag fungerer som et arbejdsområde, der ligger ved siden af de eksisterende datasæt-repositories.
Over 8.000 udgivere og 90.000 datasæt bruger allerede LeRobot-formatet på Hugging Face Hub. Strands Robots bruger det samme format gennem hele loopet, så data kan læses uden konvertering. Det betyder, at enhver løsning, der kan læse LeRobot-data, også kan bruge optagelser fra Strands Robots.
Flere forskellige robottyper understøttes af SDK'et, heriblandt SO-100-modellen. Systemet indeholder en fabrik, der kan finde specifikke arme, humanoider, mobile baser og hænder i et register. Dette register sikrer, at den samme agent-kode kan idriftsættes på forskellige typer hardware.
Kilder
Produktionshistorie
- Radar Signal ? af 100 · spredning 1 kilder
- Vurdering Nyheds 4/5 — Nye værktøjer til deployment og træning af agenter.
- Skrevet Model: mimo-v2.5-free · temperatur 0.4
- Overskrift 5 kandidater, valgt af chat.dk
- Korrektur 1 zen · 1 rettelser
- Vedtagelse ainews-auto-v3 · score 0.3648