인공지능이 구체화 된 설명: 그것이 무엇이며, 왜 중요하며, 어디로 가고 있는지
인공지능의 명확한 설명은 왜 세계와의 물리적 상호작용이 인공지능의 다음 경계가 될 것인지 그리고 오늘날 로봇 팀들이 구축하는 데 어떤 의미가 있는지에 대한 것입니다.
[← 블로그]
언어 모델은 정보를 변화시킵니다. 인체화된 인공지능은 물리적 작업을 변화시킵니다. 하지만 인프라 도전은 근본적으로 다릅니다.
인공지능은 무엇 입니까?
인체화된 인공지능은 물리적 신체를 통해 물리적 세계에서 인식하고 행동하는 인공지능 시스템을 의미합니다. 단순히 텍스트 또는 이미지를 고립적으로 처리하는 것이 아닙니다. 로봇, 자율주행 차량, 인공 장기 및 물리적 공간과 상호 작용하는 증강 현실 시스템 모두이 정의에 해당합니다.
"체육"의 구별은 문제의 근본적인 제약을 변화시키기 때문에 중요합니다. 언어 모델은 잘 정의되고 되돌릴 수 있는 영역에서 분리된 토큰에 작동합니다. 인체화된 AI 시스템은 지속적인 물리적 상태에서 작동하며, 행동들이 돌이킬 수 없는 곳 (하진된 객체는 "undropped" 될 수 없습니다), 부분 관찰 가능성은 피할 수 없습니다 (카메라는 객체의 뒤에서 볼 수 없습니다), 그리고 지연 요구 사항은 실시간입니다 (2초의 추론 지연은 로봇이 벽에 운전하게 만듭니다).
구체적으로 표현하기 위해서는: GPT-4는 500ms에 프롬프트를 처리할 수 있고 사용자는 거의 알아차리지 못한다. 10Hz 제어 주파수에서 선택과 위치를 수행하는 로봇 팔은 의사 결정 주기에 100ms를 가지고 있다. 신경망 추론이 80ms를 걸고 나머지 20ms는 센서 읽기 및 모터 명령 전송에 의해 소비되면 네트워크 지연, 쓰레기 수집 중단 또는 예상치 못한 컴퓨팅 스피크에 대해 0의 지점이 있습니다. 이 실시간 제약은 모델 크기와 배포 하드웨어에 이르기까지 구현 AI의 모든 건축 결정을 형성합니다.
인체 가설
로드니 브룩스는 1980년대 지적 지능이 세계와의 물리적 상호작용에서 분리될 수 없다는 주장을 했습니다. 가장 풍부한 인지 능력은 추상적 상징 조작이 아닌 감각동동력 경험에서 나온다고 주장했습니다. 이것은 논란의 여지가 있는 주장이었지만, 지난 3 년 동안 AI 개발은 그 버전에 대한 간접 증거를 제공했습니다.
텍스트에만 훈련된 큰 언어 모델들은 물리적 추론의 일관된 결핍을 보여줍니다. 그들은 블록의 쌓이 떨어지는지를 믿을 수 없을 정도로 예측할 수 없으며, 나
구글 딥마인드 (RT-2, 2023) 의 최근 연구에서는 아직까지 가장 직접적인 증거를 제시했습니다. 시각 언어 모델이 인터넷 규모의 텍스트/ 이미지 데이터와 로봇 상호작용 데이터 모두에서 공동 훈련을 받으면 데이터 소스가 직접 생산하지 못하는 물리적 추론 능력을 개발합니다. 로봇 상호작용 데이터
인공지능 하드웨어 스택
모든 인체화된 AI 시스템은 세 층의 하드웨어 스택에 기반을 두고 있습니다. 세계를 인식하고, 인식을 처리하고 행동을 생성하는 센서를 계산하고, 그리고 그 행동을 물리적으로 실행하는 액추에터입니다. 이 스택을 이해하는 것은 인체화된 AI 시스템을 구축하거나 평가하는 모든 사람에게 필수적입니다.
센서: 로봇 이 어떻게 볼 수 있고 느낄 수 있습니까?
** 비전 (RGB 카메라):** 대부분의 조작 작업에 대한 주요 감지 방식. 표준 구성은 2-3 개의 카메라를 사용합니다. 손목에 설치된 카메라 (인텔 리얼센스 D405, $300), 작업 공간 컨텍스트에 대한 상장 카메라 (Basler acA1920, $800), 그리고 선택적으로 깊이의 분화에 대한 사이드뷰 카메라. 30fps의 640x480 해상도는 현재 정책 훈련의 가장 좋은 장소입니다.
** 깊이 감지:** 스테레오 깊이 카메라 (RealSense D435i) 또는 구조화된 빛 센서는 객체 모양과 자세에 대한 기하학적 추론을 가능하게 하는 3D 포인트 클라우드를 제공합니다. RGB만 모호한 투명 또는 반사적인 객체를 포함하는 작업에 깊이는 필수적입니다. 리얼센스 D435i는 1280x720 해상도의 깊이와 2m 범위에서 0.2%의 깊이 정확도를 제공합니다.
프로피오셉션 (공동 코더): 각 로봇 관절에는 위치 (그리고 종종 속도 및 토크) 를 보고하는 코더가 있습니다. 이 proprioceptive 스트림은 로봇의 자기모델의 기초입니다. 자신의 몸이 공간에서 어디에 있는지 아는 것입니다. 관절당 14-16 비트의 코더 해상도는 (16,384-65,536 회전당) 연구 수준의 팔에서 표준입니다.
** 힘과 동력을 감지하는:** 6축 힘과 동력을 감지하는 센서 (ATI Mini45, $3,500) 는 조작 중에 손목에 설치되어 접촉력을 측정합니다. 접촉 부양한 작업에 중요합니다. F/T 감지 없이 로봇은 "물질에 부드럽게 닿는 것"과 "물질을 부서지는 것"을 구별할 수 있는 방법은 시각을 제외하고는 없습니다. 이는 힘 추정에 신뢰할 수 없습니다.
** 촉각 감지:** 신흥 경계는. GelSight (손가락 끝당 200500달러) 와 Paxini 촉각 장갑과 같은 촉각 센서는 포착 시점에서의 접촉 기하학과 압력 분포를 제공합니다. MIT (Agrawal Lab) 과 Meta의 연구 결과에 따르면 조작 정책에 촉각 감지을 추가하면 변형 가능한 및 취약한 물체에서 포착 성공률을 1525% 향상시킵니다. RCSV는 우리의 [스토어] (
계산: 가장자리에 처리
인공지능 컴퓨팅은 두 개의 경쟁 요구 사항의 교차점에 위치하고 있습니다. 모델은 작업 전반에 걸쳐 일반화 할 수있는 크기만 있어야하지만 추론은 실시간 제어에 충분히 빠르어야합니다.
| Compute Platform | Inference 지연시간 (10M param policy) | Power | Price | Use Case |
|---|---|---|---|---|
| NVIDIA Jetson AGX Orin | 5-15ms | 15-60W | $1,999 | On-robot deployment |
| RTX 4090 workstation | 2-8ms | 450W | $8,000-12,000 | Lab research, training + inference |
| Intel NUC (CPU only) | 50-200ms | 28W | $800-1,200 | Simple policies, classical control |
| A100 80GB (cloud/cluster) | 1-5ms | 300W | $15,000+ | Training, large model inference |
트렌드는 분명합니다. 제작을 위해 제트슨급 하드웨어에 가장자리 배포, 개발 및 훈련에 GPU 작업 스테이션을 제공합니다. 클라우드 추론은 20-100ms의 네트워크 지연을 추가합니다. 이는 실시간 조작 제어에 용납되지 않지만 높은 수준의 작업 계획에 용납됩니다. 하이브리드 아키텍처
액추에이터: 사물 을 움직이게 하는 것
액추에이터들은 전기 신호를 물리적인 움직임으로 변환한다. 액추에이터 기술의 선택은 로봇의 속도, 정확성, 힘 출력 및 준수 (안전하게 예상치 못한 접촉력을 흡수할 수 있는 능력) 을 결정한다.
서보 모터 (디나믹셀, 피테크): 2,000-10,000 달러 범위의 연구 팔의 기본 설정. 다이나믹셀 XM430 서버는 4.1 Nm 토크, 12 비트 위치 해상도, 그리고 일련 버스를 통해 액세스 할 수 있는 내장된 PID 컨트롤러를 제공합니다. 전체 오픈아름 플랫폼은 다이나믹셀 서버에서 실행됩니다.
**
**반 직동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동동 이 속성은 인간과 로봇의 안전한 상호작용과 준수적인 조작 행동을 학습하는 데 필수적입니다.
교육 데이터 요구 사항: 인공지능과 LLM
인공지능의 데이터 경제는 언어 모델과 근본적으로 다르며, 이러한 차이를 이해하는 것은 인공지능 프로젝트를 계획하는 모든 사람에게 필수적입니다.
| Dimension | LLM Training Data | 구체화된 AI Training Data |
|---|---|---|
| Source | Web crawl (passive) | Physical teleoperation (active) |
| Cost per unit | ~$0.001/token | $3-80/demonstration |
| Collection speed | Millions of tokens/second | 30-60 demos/hour/operator |
| Largest dataset (2026) | 15+ trillion tokens | ~1M episodes (Open X-Embodiment) |
| Data reusability | Universal (text is text) | Embodiment-specific (data from one robot has limited transfer to another) |
| Quality bottleneck | Filtering web noise | Operator skill + consistency |
이 데이터 유닛에 대한 비용의 차이점은 3,000-80,000x로 언어 모델 혁명을 주도한 데이터 플라이휠이 물리적인 세계에 의도적으로 설계되어야합니다. 이것은 RCSV가 해결하기 위해 존재하는 구조적인 문제입니다. [데이터 수집 인프라] (T3
주요 연구 단체 들 이 현장을 운영 하는 것
인체화된 인공지능 연구는 강력한 ML 능력을 적극적인 로봇 하드웨어 연구소와 결합하는 몇 개의 기관에 집중됩니다. 누가 무엇을 하고 있는지 이해하는 것은 팀들이 잠재적 인 협력자를 식별하고 자신의 작업을 벤치마크하고 분야가 어디로 향하는지 예측하는 데 도움이 됩니다.
** 스탠포드 (IRIS Lab, SVL):** 첼시 핀의 IRIS Lab는 ALOHA (双手机电操作, 2023), 모바일 ALOHA (2024) 를 생산했으며 로봇 적응을 위한 메타 학습에 대한 기초적인 연구를 수행했다. 페이-페이 리의 SVL는 가정 작업에 대한 BEHAVIOR 벤치마크 스위트를 개발했다. 도르사 사디흐의 그룹은 인간-로봇 상호 작용과 선호성 피드백에서 학습에 관한 연구를 수행했다. 스탠퍼드의 집단적 생산은 아마도 다른 단 하나의 기관보다 현재의 IL 작업 흐름을 더 많이 정의했습니다.
UC 버클리 (BAIR): 피터 아벨의 그룹 (Cofounder.ai/Physical Intelligence) 은 초기 정책 학습 작업을 생산했습니다. 세르게이 레바인의 그룹은 SAC, AWAC, 그리고 브리지 데이터 V2를 포함한 기초적인 RL-for-robotics 연구를 진행했습니다. 버클리의 켄 골드버그 연구소는 창고 조작에 초점을 맞추고 DROID 데이터 세트를 (76K 에피소드) 제작했습니다. Octo 기초 모델은 버클리-스탠포드-CMU 협업에서 나왔다.
CMU (로봇 공학 연구소): 디팍 파타크의 그룹은 호기심에 의한 탐구와 크로스 인보디먼트 전송에 관한 연구를 수행합니다. 데이비드 헬드의 그룹은 변형 가능한 객체 조작에 초점을 맞추고 있습니다. CMU의 강점은 제한된 데이터로부터 배우고 시뮬레이션과 현실 사이의 전송입니다. 홈로봇 벤치마크와 몇 가지 주요 시뮬레이션-실현 기술이 여기에서 시작되었습니다.
MIT (CSAIL): 펄키트 아그라왈의 무사한 인공지능 연구소는 촉각 조작과 접촉이 풍부한 작업에 대해 연구합니다. 러스 테드레이크의 그룹은 드레이크 (시뮬레이션 및 최적화 프레임워크) 를 개발하고 조작을 위한 전체 신체 계획에 대해 연구합니다. 다니엘라 러스의 분산 로봇 그룹은 다중 요원 조정을 탐구합니다. MIT의 특별한 강점은 데이터 기반 학습을 보완하기 위해 물리적인 이해를 사용하여 조작에 대한 물리학에 기반한 접근에 있습니다.
** 구글 딥마인드 로봇:** RT-1, RT-2 및 RT-X 일련의 논문들은 비전 언어 행동 (VLA) 모델 패러다임을 정의했다. 오픈 X-Embodiment 프로젝트는 22개 기관의 ~1M의 로봇 에피소드를 가장 큰 크로스-인체 데이터 세트에 통합했다. 딥마인드의 장점은 규모입니다. 그들은 여러 사이트에서 수백 개의 로봇 팔을 작동시켜 학술 연구소가 비교할 수 없는 데이터 volumes를 생성합니다.
** 물리 지능 (Pi):** 스탠퍼드/버클리 로봇학 교수 (첼시 핀, 세르게이 레바인, 카롤 하우스만, 브라이언 이체터) 에 의해 설립되었습니다. Pi는 다양한 조작 데이터에 훈련된 일반주의 로봇 정책을 개발했습니다. 그들의 접근법은 이질적인 데이터 소스에 대한 사전 훈련을 강조하고 특정 작업에 대한 정렬을 강조합니다.
현재 능력: 2026 년 에 실제 작동 할 것
실제 기능을 희망적인 데모에서 분리하려면 여러 실험실에서 재생 가능한 결과를 살펴보는 것이 필요합니다. 단일 현장 시범이 아닙니다. 여기 인공지능이 구체화 된 위치를 정직하게 평가합니다.
조작 (팔 + 지갑)
- ** 구조화된 선택 및 장소:** 90-98%의 성공률은 알려진 자세의 알려진 물체에 있습니다. 이것은 아마존, 버크셔 그레이 등에서 상업적으로 배치됩니다. "구조화된" 자격증은 무거운 업무를 수행한다는 경고와 함께 해결되었습니다.
- ** 오픈 어휘 포착:** 언어 지정 목표 ("붉은 잔을 뽑아") 를 가진 신기한 객체에서 60-75%의 성공. OpenVLA, Octo, RT-2 모두 이 능력을 입증한다. 연구 데모에 충분하지만 감독 없이 배치하기에 아직 충분히 신뢰할 수 없다.
- ** 접촉 부가적인 집합:** 작업별 정책으로 훈련된 작업별 정책의 70%
90%의 성공. 작업별 2001,000개의 시범을 통해 훈련된 작업. ACT 및 퍼포션 정책은 지배적인 접근법이다. 작업별 데이터 수집이 필요합니다. - ** 변형 가능한 물체 조작:** 접는 수건, 처리 가방, 케이블 라우팅과 같은 작업에서 40-70%의 성공. 변형 가능한 물체들은 무한 차원의 상태 공간을 가지고 있기 때문에 이를 감지하고 예측하는 것이 어렵기 때문에 조작에서 가장 어려운 경계선으로 남아 있습니다.
이동
- ** 사각형 이동:** 평평하고 중저로 거친 지형에 해결됩니다. Unitree Go2, Boston Dynamics Spot, 그리고 ANYmal 모두 안정적으로 가로 계단, 자갈, 기울기를 통과합니다. RL 훈련된 이동 정책 (Isaac Lab/Gym에서 훈련) 은 95% 이상의 신뢰성으로 실제 하드웨어로 전송됩니다.
- ** 쌍발행:** 제어된 환경에서 신뢰할 수 있습니다. 유니트리 G1 및 그림 02은 평면 지상에서 1.5-2.0 m/s로 걷습니다. 무대 및 동적 장애물 피하는 연구가 활발하다. RCSV의 샌프란시스코 연구소에서 사용할 수 있습니다.
- 인간체 전체 제어: 특정 작업 (좌석에서 일어서서, 걷고 있는 동안 물건을 들고) 위해 선택된 장소에서 보여진다. 아직 일반화되지 않습니다.
자율주행자동차
- Waymo: 피닉스, 샌프란시스코, LA에서 700개 이상의 자율주행차를 운영하고 있으며, 측정된 측정 기준에 따라 인간 운전자를 뛰어넘는 안전 기록이 있습니다. 약 2M 개의 유료 여행이 완료되었습니다.
- ** 테슬라 FSD:** 고속도로 및 구조화된 도로에서 감독된 자율성. 함대에서 수십억 마일의 인간 운전 데이터를 훈련. 아직 완전히 자율성
인간 감독이 필요합니다.
이제 등장 하는 사업 응용 프로그램
인체화된 인공지능은 단순한 연구 분야가 아니라 오늘날 특정 직선에서 상업적 가치를 창출하고 있습니다. 현재 어떤 응용 프로그램이 상업적으로 실행 가능한지, 연구 단계에서 남아있는지 이해하는 것은 팀들이 올바른 우선 순위를 결정하는 데 도움이 됩니다.
하우스 자동화 (NOW): 오늘날 가장 큰 상업적 인 인격 AI 응용 프로그램입니다. 아마존은 완공 네트워크 전반에 걸쳐 750,000+ 로봇을 운영하고 있습니다. 하우스 로봇 시장은 2028년까지 15억 달러로 추정됩니다. 주요 임무는: 물품-인체 운송, 팔레티즈, 탈레티즈, 현재 지갑이 처리 할 수있는 SKU의 60-80%의 조각을 수집합니다. [하우스 로이 분석]
농산물 수확 (NOW): Agrobot 및 AppHarvest 같은 회사들은 딸기와 토마토 수확을 위해 조작 로봇을 배치합니다. 도전은 인식 (성숙한 제품을 식별하는) 및 부드러운 조작 (결과를 부러뜨리지 않는) 이다. 딸기 수확의 성공률은 85-90%이 상업적으로 실행가능합니다. 농업 수확에서 노동력 부족이 급성하기 때문에.
** 건강 관리 물류 (지금):** 애도 로보틱스의 모시 로봇은 공급 공급을 위해 10개 이상의 미국 병원에 배치됩니다. 핵심 기능은 탐색 + 간단한 물체 운송입니다.
건설 및 검사 (EMERGING): 보스턴 다이너믹스 스팟은 건설 현장에서 진행 모니터링 및 위험 탐지 위해 배치되고 있습니다. 조작 기능 (스팟 + 팔) 은 위험한 환경에서 밸브를 돌리는 것과 전등 스위치를 작동시키는 것과 같은 작업에 대한 시험이 진행되고 있습니다.
** 식품 준비 (연구):** 여러 회사 (미소 로봇, 셰프 로봇) 는 단일 작업 식품 준비 로봇 (버거를 휘두르는, 도핑을 제공하는) 을 배치하고 있다. 일반화된 요리법은 연구 단계에 있다. 스탠퍼드 대학 MimicGen 및 RoboCasa 벤치마크는 이를 추진하고 있다.
인체화된 인공지능 인프라에 대한 RCSV의 역할
인체화된 인공지능은 물리적 데이터 수집, 하드웨어 액세스 및 통합 전문성을 가진 명확한 인프라 병목을 가지고 있습니다. RCSV는 이들 각각을 다루고 있습니다.
** 하드웨어 접근:** 샌프란시스코와 올스턴 시설은 오픈아름 1 ($4,500, 오픈 소스 6-DOF), DK1 쌍방향 시스템, 유니터리 G1 인형 및 특수 플랫폼을 포함한 20 이상의 로봇에 대한 접근을 제공합니다. 팀들은 [ 하드웨어를 임대 할 수 있습니다]
** 데이터 수집 서비스:** 전문적인 예제 수집, 훈련된 운영자, 표준화된 프로토콜 및 자동화된 품질 파이프라인을 이용한다. 시범 캠페인 (50 예제) 에 대한 가격은 2,500 달러, 표준 캠페인 (50 예제) 에 대한 가격은 8,000 달러이다. HDF5, RLDS 또는 LeRobot 형식으로 제공되는 데이터. 현재 가격 및 작업 카탈로그를 참조하십시오.
** 플랫폼:** RCSV 데이터 플랫폼 는 데이터 세트 관리, 에피소드 시각화, 품질 점수 및 표준 교육 형식으로 수출을 제공합니다. LeRobot, Octo 및 OpenVLA 교육 파이프라인과 통합하도록 설계되었습니다.
훈련 인프라: 표준 및 우선 순위 순차 옵션으로 정책 훈련에 8x A100 80GB GPU 클러스터가 제공됩니다. 전형적인 회전: 표준 정책 크기의 경우 4-12 시간 (ACT 200 데모, 디스포시 정책 500 데모).
실용적 인 시간표
| Timeframe | 구체화된 AI Milestone | Key Enablers |
|---|---|---|
| 2025-2027 | Specialized task robots deployed at scale in logistics | Mature grasping policies, falling hardware costs |
| 2026-2029 | General-purpose manipulation in semi-structured environments | Foundation models for manipulation, large-scale data |
| 2028-2032 | Generalist mobile manipulation in unstructured home environments | Sim-to-real at scale, tactile sensing maturity |
| 2030-2035 | Humanoid robots performing non-trivial physical labor | Whole-body control, dexterous manipulation breakthroughs |
| 2035+ | Broad humanoid deployment across manufacturing, services, elder care | Cost reduction, regulatory frameworks, social acceptance |
오늘날 인공지능 시스템을 구현하는 팀은 이 곡선의 가장 초기 및 가장 많은 효과를 거둘 수 있는 부분에 대해 연구하고 있습니다. 현재 구축되고 있는 데이터 인프라, 운영자 파이프라인과 평가 프레임워크는 전체 분야의 궤도를 정의할 것입니다. RCSV의 [플랫폼]
인공지능의 실체화 시작
여러분이 인공지능 프로젝트를 고려하는 팀이라면, 여기 실제적인 시작 체크리스트가 있습니다.
- 정확하게 당신의 작업을 정의하십시오. "전용 로봇 보조"는 작업이 아닙니다. "통신벨트에서 병을 꺼내 포장 상자에 넣는 것"은 작업입니다. 구체적 인 것은 데이터 수집 계획을 가능하게 합니다.
- ** 작업에 맞는 하드웨어를 선택하세요.** $4,500의 오픈아름이 처리할 수 있는 작업에 $50,000의 팔을 구입하지 마십시오. 7-DOF가 필요한 작업에 6-DOF 팔을 구입하지 마십시오. [로봇 팔 구매 안내서]
- ** 데이터 수집 예산.** 작업에 대한 정책에 대한 200
1,000개의 시범을 계획하거나, 기초 모델을 정비하기 위한 20100개의 시범을 계획합니다. 표준 데이터 수집 캠페인에 대한 예산은 3,000~15,000달러입니다. [비용 분할] - ** 본격적으로 모방 학습을 시작하세요.** IL는 반복하는 데 더 빠르고, 개발하는 데 더 안전하며, 비용 대비도 RL보다 예측 가능합니다. IL가 천장을 달성했을 때만 RL를 사용하세요. [RL vs IL 결정 지침서]
- ** 엄격한 평가.** 배치에서 기대되는 모든 조건에 대해 적어도 50 가지 정책 평가 실험을 수행하십시오. 훈련 환경에서 90%의 성공을 달성하는 정책은 약간 다른 배치 환경에서 60%를 달성 할 수 있습니다.
관련 독서
- 물리 AI 설명
물리 AI가 소프트웨어 AI와 어떻게 다르는지 - [좋은 로봇 훈련 데이터가 무엇으로 만들어지는가?]
- [2026년 로봇 데이터 수집 비용]
- [레로봇 가이드]
T16 ) Hugging Face의 로봇 학습 도서관에서 시작 - [제로샷과 소수의 로봇 정책]
- RCSV 데이터 서비스
전문적인 데이터 수집 - [하드웨어 카탈로그]
T19 ) 로봇과 부품
인공지능에 대한 올바른 인프라를 구축
RCSV는 다음 세대의 물리 인공지능을 구축하는 팀들을 위한 데이터 수집, 로봇 하드웨어 및 훈련 플랫폼을 제공합니다. 2,500 달러의 파일럿 또는 월 800 달러에서 임대 하드웨어로 시작하십시오.