16 terabyte aan robotdata, gratis beschikbaar op Hugging Face

TL;DR

• Wat: Simple World Lab heeft HiFi-UMI-2K uitgebracht — een open dataset van 2.000 uur robotmanipulatiedata, goed voor 16 terabyte, gratis beschikbaar op Hugging Face.
• Waarom relevant: robots leren steeds sneller grijpen, tillen en verplaatsen zonder dat je ze eerst met dure hardware hoeft te trainen — dat drukt op termijn de kosten van robotisering.
• Wat je ermee kunt: als je overweegt om robotica in je bedrijf in te zetten, is dit een signaal dat de drempel daarvoor de komende jaren flink daalt.

Afgelopen week deelde het Hugging Face-account van LeRobot een bericht dat me deed stilstaan: een onderzoeksgroep genaamd Simple World Lab heeft een dataset van zestien terabyte aan robotmanipulatiedata open source gemaakt. Ik vind dat opmerkelijk, niet zozeer vanwege het technische kunstje, maar vanwege wat het zegt over de richting waarin robotica beweegt — en wat dat voor ondernemers kan betekenen.

Wat is HiFi-UMI-2K precies?

HiFi-UMI-2K is een dataset met meer dan 482.000 demonstraties van robothandelingen, verdeeld over 110 verschillende scènes. Denk aan: een robotarm die iets oppakt, verplaatst, neerzet, of een object draait. Die demonstraties zijn samen goed voor zo'n 2.000 uur aan beeldmateriaal en sensordata, opgeslagen in 16 terabyte.

Wat mij hier opvalt, is hoe de data is verzameld. Er komt namelijk helemaal geen robot aan te pas tijdens het verzamelen zelf. De onderzoekers gebruiken een draagbaar opnamesysteem — een soort handheld apparaat met camera's en sensoren — waarmee een mens de handelingen voordoet. Die bewegingen worden vervolgens zo nauwkeurig vastgelegd dat een robot ze later kan nabootsen. Het systeem heet UMI, wat staat voor Universal Manipulation Interface.

Ik vind dat een elegante aanpak: je hebt geen dure robotarm nodig om trainingsdata te maken. Je doet het gewoon voor, en de data is precies genoeg om een robot ermee te laten leren.

Waarom zestien terabyte ertoe doet

In de wereld van AI geldt vaak: meer data, betere resultaten. Dat is bij taalmodellen zo, en bij robotica is het niet anders. Maar tot nu toe was het verzamelen van robotdata duur en tijdrovend. Je had een fysieke robot nodig, iemand die hem bestuurt, en een gecontroleerde omgeving.

HiFi-UMI-2K doorbreekt dat patroon. Doordat de datacollectie zonder robot kan, schaalt het veel sneller. De onderzoekers geven aan dat ze in totaal meer dan 20.000 uur aan data hebben verzameld, waarvan ze nu een subset van 2.000 uur vrijgeven.

De resultaten uit het bijbehorende onderzoekspaper zijn concreet: een robot die uitsluitend traint op deze "menselijk-voorgedane" data, presteert nagenoeg even goed als een robot die via traditionele besturing (teleoperatie) is getraind. De verschillen in slagingspercentage liggen tussen de −2,5 en +3,1 procentpunt — verwaarloosbaar klein. Bij pre-training op 4.000 uur data daalde de foutmarge op onbekende taken met 41 procent.

Stel dat je als ondernemer een magazijn hebt waar producten gesorteerd en verpakt worden. Dit soort onderzoek betekent dat de robots die dat werk doen, straks sneller en goedkoper getraind kunnen worden — zonder dat er wekenlang een ingenieur naast moet staan.

Wat is LeRobot en waarom is dat format belangrijk?

De dataset is gepubliceerd in het zogeheten LeRobot-formaat, een open standaard van Hugging Face voor robotdata. Vergelijk het met een universele stekker: wie dit formaat gebruikt, kan de data direct inladen in bestaande trainingspijplijnen zonder eerst allerlei conversies te doen.

LeRobot v3.0 slaat videobeelden op als MP4-bestanden en sensordata als Parquet-tabellen — gangbare formaten die goed schalen. Een belangrijk detail: de data kan gestreamed worden, wat betekent dat je niet eerst alle zestien terabyte hoeft te downloaden om ermee te experimenteren.

Voor de technische lezer: dit is relevant omdat het de fragmentatie in robotdata vermindert. Tot nu toe had vrijwel elk roboticalab zijn eigen dataformaat. Een gestandaardiseerd formaat maakt het mogelijk dat onderzoek sneller wordt hergebruikt — en uiteindelijk sneller in producten terechtkomt.

Wat betekent dit voor het Nederlandse MKB?

Nu hoor ik je denken: zestien terabyte robotdata, leuk — maar wat heb ik daar als ondernemer aan? Die vraag is terecht, en het antwoord is: niet morgen, maar waarschijnlijk wel eerder dan je denkt.

In Nederland is robotisering voor het MKB al langer een thema. Brancheorganisatie NLrobotics en partijen als Olmia Robotics bieden inmiddels Robot-as-a-Service-modellen aan: je huurt een collaboratieve robot op maandbasis in plaats van er een te kopen voor zes cijfers. Dat maakt de financiële drempel lager.

Maar er is nog een drempel, en dat is de programmeerdrempel. Een robot die je huurt, moet je nog steeds vertellen wat hij moet doen. En dat kost tijd, expertise en geld. Datasets zoals HiFi-UMI-2K werken aan precies die drempel. Als robots kunnen leren van menselijke demonstraties in plaats van urenlange handmatige programmering, wordt inzet in kleinere operaties realistischer.

De urgentie is er

Uit een recent TNO-rapport blijkt dat Nederlandse MKB-maakbedrijven zonder versnelling in robotisering op termijn hun concurrentiepositie dreigen te verliezen. Tegelijkertijd rapporteren steeds meer bedrijven personeelstekorten bij fysiek en repetitief werk. De combinatie van die twee ontwikkelingen — schaarste aan personeel én dalende kosten van robotica — maakt dit soort open datasets meer dan een academisch speeltje.

Open source als versneller

Wat ik het meest opmerkelijk vind aan deze release is niet de omvang, maar de licentie. HiFi-UMI-2K valt onder CC BY 4.0 — dat betekent dat iedereen de data mag gebruiken, ook commercieel, zolang je de bron vermeldt. Simple World Lab, het onderzoeksteam achter de dataset (onderdeel van Simple AI, met zeventien onderzoekers), geeft hiermee een enorme hoeveelheid werk weg.

Kun je je voorstellen wat er gebeurt als meerdere van dit soort datasets gecombineerd worden? Als LeRobot het standaardformaat wordt zoals ImageNet dat ooit was voor beeldherkenning, dan bouwt de roboticawereld straks op een gedeelde basis van trainingsdata. Dat versnelt alles — van onderzoek tot commerciële toepassingen.

Een signaal, geen eindpunt

Voor mij is dit vooral een signaal dat robotica dezelfde curve begint te volgen als AI in de afgelopen jaren: eerst acadmisch, dan open source, dan commercieel breed inzetbaar. De stap van zestien terabyte trainingsdata naar een robot die in jouw magazijn dozen sorteert, is er nog niet. Maar hij wordt kleiner. En het feit dat die data nu vrij beschikbaar is, in een standaardformaat, met meetbare resultaten — dat vind ik een ontwikkeling die het volgen waard is.