핵심 요약
AWS가 Physical AI의 데이터 파이프라인 구축과 dual-path 전략으로 실세계 루프와 시뮬레이션 루프를 연결하고, 엣지 Greengrass로 데이터를 수집한 뒤 클라우드 학습 파이프라인을 구성하는 방안을 제시합니다. 실제 데이터와 합성 데이터의 상호 보정에 의해 데이터 품질을 향상시키는 데이터 플라이휠을 강조합니다.
구현 방법
- 엣지 수집: Greengrass v2로 로봇 배포, ROS 2 노드 실행, rosbag를 S3 업로드
- 실시간 스트리밍: 영상 30-60fps는 Kinesis Video Streams, 고빈도 센서 100-1000Hz은 Kinesis Data Streams, 저빈도는 IoT Core Basic Ingest, 최종 S3 저장
- 온프렘 대용량 업로드: DataSync, Direct Connect, Data Transfer Terminal, File Cache
- 데이터 파이프라인 구성: 데이터 레이크에 메타데이터 저장, 정제/라벨링/증강으로 시뮬레이션 루프 보정
- 데이터 플라이휠: 실데이터로 시뮬레이션 파라미터 보정 및 학습 자료 확장
주요 결과
- 실세계 루프와 시뮬레이션 루프의 연동으로 학습 효율과 파이프라인 확장성 향상
- 엣지-클라우드 분리 아키텍처로 대역폭과 지연 관리
- 다중 센서 스트림의 시간 동기화 중요성 강조
