NLCHRIC: Una Base de Datos Sólida para Robots Humanoides de Alto Rendimiento.

Dentro de unas instalaciones de entrenamiento totalmente cerradas en Shanghái, un robot humanoide repite constantemente las mismas acciones: identificar un objeto, agarrarlo y colocarlo con precisión. Esta es la escena cotidiana en la sede principal de Humanoid Robot (Shanghai) Co., Ltd., también conocida como el Centro de Innovación en Robótica Humanoide de Construcción Conjunta Nacional y Local (NLCHRIC).

Estas acciones, aparentemente monótonas, generan datos valiosos para los robots humanoides, facilitando su aplicación en entornos reales. En el sector de la fabricación avanzada, los robots operan en plantas de automóviles realizando tareas como el montaje de piezas y las inspecciones. En el ámbito de los servicios urbanos, se están llevando a cabo pruebas piloto para la limpieza de calles y la recogida de residuos. En cuanto a la respuesta ante emergencias, los robots podrán transportar suministros, realizar labores de demolición para rescates y acceder a zonas incendiadas para llevar a cabo tareas de reconocimiento.

Como el primer centro de innovación a nivel nacional para la industria de la robótica humanoide, establecido conjuntamente por el Ministerio de Industria y Tecnología de la Información (MIIT) y el Gobierno Municipal de Shanghái, el NLCHRIC gestiona múltiples proyectos nacionales clave. Asimismo, lleva a cabo la misión estratégica de crear instalaciones de formación bajo el modelo «1+N» y una infraestructura de datos, con el objetivo de lograr la transición exitosa de los robots humanoides desde el laboratorio hacia su implementación a gran escala en entornos reales.

Desafíos de Datos: Los «Dolores de Crecimiento» de Los Robots Humanoides

El ciclo de vida completo del entrenamiento de robots abarca un proceso integral que va desde la adquisición y gobernanza de datos hasta su etiquetado y distribución. La creación de conjuntos de datos de alta calidad es fundamental, pero esta etapa conlleva numerosos desafíos.

En primer lugar, el enorme volumen de datos impone exigencias extremas al almacenamiento. Cada sesión de entrenamiento genera petabytes de datos multimodales, incluidos vídeo, nubes de puntos y señales de fuerza, lo que plantea retos importantes en cuanto a capacidad de almacenamiento, rendimiento y coste total de propiedad (TCO). Por consiguiente, almacenar cantidades tan ingentes de datos de manera económica y eficiente se ha convertido en un desafío primordial.

En segundo lugar, la adquisición de datos resulta costosa, ya que los datos de alta calidad requieren una transferencia fiable y un almacenamiento a largo plazo. La obtención de datos en entornos reales conlleva una inversión considerable en equipos y ciclos de adquisición prolongados. Cualquier pérdida o corrupción de datos puede acarrear perjuicios económicos importantes. Por ello, resulta esencial contar con una red de transferencia estable y fiable, así como con mecanismos de almacenamiento robustos que garanticen la conservación de los datos a largo plazo.

En tercer lugar, la complejidad y diversidad de los formatos de datos plantean desafíos para la gobernanza de los mismos. Los datos procedentes de sistemas de visión, sensores táctiles, sensores de fuerza y ​​estimación de la postura pueden presentar formatos muy variados. Sin un sistema eficiente de gestión de datos, tareas como la limpieza, el etiquetado y la integración resultan arduas, lo que limita el aprovechamiento de la información para el entrenamiento de modelos. Asimismo, la limitada variedad de métodos de adquisición, sumada a la falta de muestras y a los elevados costes asociados, dificulta el escalado de los conjuntos de datos.

En cuarto lugar, persisten dificultades en cuanto al intercambio de datos entre regiones. Los datos operativos provenientes de escenarios del mundo real están sujetos a complejas restricciones de seguridad y propiedad, lo que obstaculiza la reutilización eficiente de los datos entre organizaciones y proyectos, además de limitar su valor.

Estos numerosos desafíos relacionados con los datos constituyen actualmente barreras para el desarrollo de robots humanoides.

Para abordar estos desafíos, el NLCHRIC ha adoptado un enfoque gradual. En primer lugar, está estableciendo una infraestructura de almacenamiento fiable para sus instalaciones de formación, garantizando una capacidad de almacenamiento suficiente y una gestión eficiente de los datos. En segundo lugar, el NLCHRIC está realizando la transición hacia un lago de datos para IA y planea desarrollar la plataforma de adquisición de datos y entrenamiento para modelos fundacionales; esto permitirá la agregación de datos entre regiones, la programación inteligente y la circulación eficiente de la información, convirtiendo así los datos en elementos verdaderamente dinámicos.

Base de Datos Sólida: Un «Supergranero» para Instalaciones de Entrenamiento

Para acelerar la transición de los robots humanoides desde la validación de capacidades puntuales hacia una operación sostenida en entornos reales y una mejora iterativa, el NLCHRIC ha desarrollado un marco tecnológico de inteligencia corporeizada con una estructura «5+4+1»: cinco grandes modelos, cuatro plataformas intermedias de datos y un conjunto de datos.

Guiado por requisitos específicos de cada escenario y partiendo de la evaluación del valor de aplicación y la viabilidad técnica, este marco abarca todo el flujo de trabajo: desde la evaluación del escenario, la definición de tareas, la adquisición, validación y gobernanza de datos, y la acumulación de conjuntos de datos, hasta el entrenamiento de modelos, la evaluación integral, el despliegue adaptado al escenario, la retroalimentación mediante datos operativos y la optimización iterativa. Esto genera un ciclo técnico cerrado y autorreforzante en el que los datos, los modelos, la evaluación y las aplicaciones se impulsan mutuamente.

La puesta en práctica de este marco comienza por la capa de datos. El NLCHRIC ha adoptado el sistema de almacenamiento de escalabilidad horizontal Huawei OceanStor Pacific para crear una infraestructura de almacenamiento unificada destinada a las instalaciones de entrenamiento. Las capacidades fundamentales de este sistema abarcan tres dimensiones.

En primer lugar, ofrece un alto rendimiento de concurrencia para facilitar la carga rápida de conjuntos de datos a gran escala y la ingesta de datos en tiempo real, lo que reduce el tiempo de preparación de los datos previo a la iteración del modelo. En segundo lugar, proporciona una escalabilidad masiva para la retención segura y a largo plazo de datos históricos, como vídeo en bruto y nubes de puntos, permitiendo así el reentrenamiento, la trazabilidad de algoritmos y el cumplimiento de las normativas de retención. En tercer lugar, gracias a una vista de gestión unificada, los datos pueden almacenarse en niveles según los casos de uso y orquestarse de forma centralizada, eliminando así la fragmentación del almacenamiento. Hasta la fecha, se ha establecido un pool de recursos de 6 PB, lo que proporciona una amplia capacidad de almacenamiento.

El valor de este sistema de almacenamiento trasciende el mero almacenamiento de datos. Actúa como eje central de todo el ciclo cerrado de datos, facilitando la interoperabilidad multiprotocolo en todo el lago de datos. Una única copia de los datos permite el acceso simultáneo y multitarea a través de protocolos como S3, NFS, HDFS y POSIX. Asimismo, procesa de forma adaptativa operaciones de E/S (entrada/salida) tanto grandes como pequeñas en cargas de trabajo híbridas, permitiendo que los datos fluyan sin interrupciones desde las fases de adquisición y desensibilización hasta la carga final.

Sobre esta base, se implementa una jerarquización automática de datos «calientes» y «fríos» con una visión de orquestación global. Los datos pueden transferirse entre instalaciones de entrenamiento según la demanda y programarse con flexibilidad entre entornos locales y en la nube, transformando la gestión de datos de un almacenamiento estático a un flujo de datos dinámico. Al mismo tiempo, esta solución integral y ligera para la nube ofrece una gestión unificada de servidores de IA, almacenamiento, redes, virtualización y contenedores. Capacidades como la ingeniería de datos, la ingeniería de modelos y el desarrollo de agentes pueden desplegarse según sea necesario, fomentando una colaboración eficiente entre los sistemas de almacenamiento y las plataformas de entrenamiento.

Gracias a esta infraestructura de almacenamiento, los datos fluyen de manera fluida hacia el flujo de trabajo de etiquetado y gobernanza. Mediante la sinergia de cinco tipos de modelos, la integración de cuatro plataformas y el enriquecimiento continuo del conjunto de datos Baihu 2.0, el NLCHRIC está consolidando un sistema tecnológico de bucle cerrado para IA corporeizada (embodied AI): un sistema anclado en escenarios, cimentado en datos, impulsado por modelos, sujeto a evaluaciones de control y retroalimentado por la aplicación práctica. Este sistema ofrece un soporte integral para la agregación de datos, la I+D de modelos, la evaluación de capacidades y el despliegue de escenarios en todo el ecosistema de la industria de la robótica humanoide de la ciudad.

Llevando este avance un paso más allá, el NLCHRIC y Huawei han lanzado conjuntamente la primera plataforma de demostración para el entrenamiento de inteligencia encarnada en China. Aprovechando el marco de bucle cerrado de extremo a extremo del centro de demostración, ambas partes coordinarán e intercambiarán continuamente datos de simulación de alta fidelidad y en tiempo real en ambos sentidos. Juntos, están construyendo un ecosistema integral de datos, que abarca terminales de adquisición heterogéneos, flujos de trabajo paralelos para la generación de datos de simulación, estándares de datos industriales y una plataforma unificada de gobernanza de datos, ampliando así las capacidades de la instalación de entrenamiento desde una perspectiva de profundidad técnica hacia una escala operativa.

Canalización de Datos hacia Lagos: Navegando hacia una Transformación de Toda la Industria

Si bien el «supergranero» aborda los desafíos del almacenamiento y la gestión de datos, la visión de NLCHRIC va más allá: construir un data lake de IA integral que conecte las instalaciones de entrenamiento con el mundo real. Ahora que el ciclo cerrado técnico está operativo, el siguiente paso es ampliarlo hacia un ciclo cerrado de negocio que genere un valor comercial real.

Según el plan de NLCHRIC, la plataforma de adquisición de datos y entrenamiento para modelos fundacionales actúa como el núcleo central donde convergen los datos procedentes de las instalaciones periféricas (edge) para conformar un data lake de alcance regional. Posteriormente, la plataforma intermedia, adaptada a escenarios específicos, despliega estas capacidades en entornos industriales y de servicios, completando así el ciclo virtuoso mediante la retroalimentación del mundo real.

Esta visión ya no está fuera de nuestro alcance. Actualmente, el NLCHRIC ha firmado acuerdos con seis entidades, entre ellas la Oficina Municipal de Bomberos y Rescate de Shanghái y la State Grid Shanghai Municipal Electric Power Company, que abarcan seis sectores clave, como la respuesta ante emergencias y el ámbito de la energía y la electricidad. Estas colaboraciones están acelerando el despliegue de robots humanoides para operaciones rutinarias en entornos industriales. Paralelamente, la Plataforma de Servicios a Escala Piloto de Robótica Humanoide de Shanghái ya opera a pleno rendimiento en el distrito de Pudong. Con una capacidad de producción anual de 2.000 unidades robóticas completas, esta plataforma brinda un sólido respaldo para su despliegue a gran escala.

Estos logros tangibles están transformando a los robots humanoides de una simple aspiración en una realidad, convirtiéndolos en colaboradores productivos y asistentes competentes.

Y el punto de partida de todo ello subyace en cada acción y en cada paso. Desde una infraestructura de datos sólida hasta la transferencia dinámica a un lago de datos para IA y, en última instancia, la implementación de aplicaciones multisectoriales, es este flujo integral, que integra la adquisición, el almacenamiento, la gobernanza, el entrenamiento y el despliegue de datos, lo que dota a las frías estructuras metálicas de capacidad de percepción y permite a las redes neuronales basadas en silicio aprender y adaptarse verdaderamente.