Eine Schleife, ein Bucket: Wie AWS Strands Robots aufzeichnet, trainiert und bereitstellt – ohne redundante Datenübertragungen

Wichtigste Punkte

• AWS hat Strands Robots als Open-Source-Toolkit (Apache-2.0-Lizenz) veröffentlicht, das die Roboteraufzeichnung, das Modelltraining und die Bereitstellung in einer einzigen KI-Agent-Schleife verbindet.
• Hugging Face Storage Buckets, angekündigt im März 2026, fungieren als veränderbare Arbeitsebene, auf der Roboterdaten zwischen Aufzeichnung und Training gespeichert werden und wiederholte vollständige Datensatz-Downloads vermieden werden.
• Das LeRobot-Datenformat, das bereits von mehr als 90.000 Datensätzen von über 8.000 Publishern verwendet wird, ist der gemeinsame On-Disk-Standard während der gesamten Schleife.
• Das Toolkit unterstützt simulierte Durchläufe auf einem Laptop und physische Roboter-Arme wie den SO-101 und wechselt zwischen den beiden, indem ein einziger Keyword-Argument im Code geändert wird.
• Das Streaming vom Hub bedeutet, dass jeder Trainingslauf nur die Frames liest, die er benötigt, anstatt den gesamten wachsenden Datensatz zuerst auf die GPU-Maschine zu kopieren.

Um einen Roboter-Arm beizubringen, einen Würfel aufzuheben, braucht es mehr als eine Aufzeichnungssitzung. Sie sammeln Demonstrationen tagsüber, trainieren ein Modell darauf, senden dieses Modell zurück zum Arm, beobachten, wie es auf leicht andere Weise fehlschlägt, und zeichnen erneut auf. Wenn Sie diese Schleife manuell durchführen, werden Sie schnell bemerken, dass dieselben Bytes immer wieder hin und her fließen: Laden Sie den Datensatz hoch, laden Sie den Datensatz zum Trainieren herunter, laden Sie das neue Modell hoch, wiederholen Sie.

AWS hat Strands Robots, ein kostenloses Open-Source-Softwaretoolkit, entwickelt, um diese Schleife automatisch in einem einzelnen KI-Agent zu schließen – einem Softwareprogramm, das mehrstufige Aufgaben selbstständig ausführen kann, ohne dass jemand jeden Schritt anklickt.

Was macht die Schleife eigentlich?

Vier Stufen teilen sich ein Backend, und die Daten ändern ihre Format zwischen ihnen nie. Zunächst zeichnet der Agent eine Demonstration auf: einen kontinuierlichen Lauf von Kamerabildern und Gelenkpositionsablesungen vom Roboter-Arm, gespeichert im LeRobot-Format, dem offenen Standard, der bereits auf zehntausenden von Roboter-Lern-Datensätzen auf Hugging Face, der KI-Modell- und Datensatz-Hosting-Plattform, verwendet wird.

Zweitens synchronisiert sich dieser Datensatz mit einem Hugging Face Storage Bucket. Ein Bucket ist ein Speicherplatz, der es Software ermöglicht, Dateien an Ort und Stelle zu überschreiben, anstatt jede historische Version wie ein Code-Repository zu speichern. Hugging Face kündigte diesen Bucket-Typ im März 2026 an. Da er sich im gleichen Hugging Face-Workspace befindet, den der Entwickler bereits nutzt, müssen keine zusätzlichen Berechtigungen konfiguriert werden.

Drittens streamt das Training direkt aus dem Bucket, Frame für Frame, ohne zuerst den gesamten Datensatz herunterzuladen. Für einen Datensatz, der täglich wächst, ist das wichtig: Ein traditioneller Ansatz kopiert alles auf die Trainingsmaschine, bevor der erste Gradient-Schritt läuft, und dieser Kopiervorgang wird jeden Tag teurer.

Viertens wird der fertige Modell-Checkpoint zurück zum gleichen Roboter-Objekt im Code bereitgestellt, wobei durch Änderung eines Arguments von der Simulation zur echten Hardware gewechselt wird.

Für wen ist das eigentlich?

Derzeit ist das Publikum Robotik-Forscher und Ingenieure, die bereits das LeRobot-Ökosystem verwenden. Der Simulationspfad läuft auf einem Laptop ohne spezielle Hardware. Der Hardware-Pfad zielt auf Arme wie den SO-101 ab, einen kostengünstigen Roboter-Arm, der in akademischen Laboren beliebt ist, obwohl das Toolkit viele andere unterstützte Designs auflistet.

Für jeden, der eine Roboter-Datenerfassungskampagne durchführt, besteht der praktische Vorteil darin, weniger zu warten und niedrigere Cloud-Übertragungskosten zu haben. Jede Synchronisierung lädt nur die Bytes hoch, die sich seit dem letzten Lauf geändert haben – eine Technik namens Byte-Level-Deduplizierung – anstatt den vollständigen Datensatz erneut zu senden.

Der Agent behandelt auch Entscheidungen, die andernfalls einen Menschen erfordern würden, um einen Bildschirm zu überprüfen: welche Episoden beibehalten werden, ob die Szene sich genug verschoben hat, um erneut aufzuzeichnen, und welcher Checkpoint den aktuellen auf dem Arm ersetzt.

Wie geht es weiter?

Strands Robots ist jetzt auf GitHub unter der Apache-2.0-Lizenz verfügbar, was bedeutet, dass jeder es frei verwenden oder ändern kann. Das begleitende Notebook für diesen spezifischen Workflow befindet sich unter examples/notebooks/05_streaming_data_loop.ipynb im Repository, erstmals ausführlich beschrieben von Hugging Face in ihrer Entwickler-Dokumentation.

Die Mock-Policy-Standard ermöglicht es einem Entwickler, die gesamte Schleife auf einem Laptop auszuführen, bevor er sich zu GPU-Trainingszeit verpflichtet, was die Hürde zum Ausprobieren senkt. Das echte Policy-Training benötigt immer noch eine GPU, und die Bereitstellung auf physischer Hardware benötigt immer noch einen kalibrierten Arm.

Das größere Bild ist, dass die Lücke zwischen „Ich habe einige Roboter-Daten aufgezeichnet" und „mein Roboter nutzt diese Daten" immer kleiner wird. Schleifen, die einmal eine Koordination von Uploads, Trainingsjobs und Firmware-Flash erforderten, passen jetzt in wenige Codezeilen.