Une boucle, un bucket : comment les robots Strands d'AWS enregistrent, entraînent et déploient sans transferts de données redondants

Points clés

• AWS a publié Strands Robots comme kit d'outils open-source (licence Apache 2.0) qui connecte l'enregistrement de robots, l'entraînement du modèle et le déploiement à l'intérieur d'une seule boucle d'agent IA.
• Les buckets de stockage Hugging Face, annoncés en mars 2026, fonctionnent comme une couche de travail mutable où les données de robots résident entre l'enregistrement et l'entraînement, évitant les téléchargements répétés du jeu de données complet.
• Le format de jeu de données LeRobot, déjà utilisé par plus de 90 000 jeux de données de plus de 8 000 éditeurs, est la norme partagée sur disque tout au long de la boucle.
• Le kit supporte les exécutions simulées sur un ordinateur portable et les bras robotiques physiques tels que le SO-101, basculant entre les deux en changeant un seul argument de mot-clé dans le code.
• La diffusion en continu depuis le Hub signifie que chaque exécution d'entraînement lit uniquement les images dont elle a besoin, plutôt que de copier l'intégralité du jeu de données en croissance sur la machine GPU en premier.

Apprendre à un bras robotique à ramasser un cube demande plus d'une session d'enregistrement. Vous collectez des démonstrations tout au long de la journée, entraînez un modèle dessus, renvoyez ce modèle au bras, regardez-le échouer d'une manière légèrement nouvelle, et enregistrez à nouveau. Faites cette boucle manuellement et vous remarquerez rapidement les mêmes octets se déplaçant d'avant en arrière à plusieurs reprises : télécharger le jeu de données, télécharger le jeu de données pour entraîner, télécharger le nouveau modèle, répéter.

AWS a créé Strands Robots, un kit d'outils logiciels gratuit et open-source, pour fermer cette boucle automatiquement à l'intérieur d'un seul agent IA, un programme logiciel qui peut effectuer des tâches multi-étapes de manière autonome sans que quelqu'un clique sur chaque étape.

Que fait réellement la boucle ?

Quatre étapes partagent un backend unique, et les données ne changent jamais de format entre elles. Premièrement, l'agent enregistre une démonstration : une exécution continue d'images de caméra et de lectures de positions articulaires du bras robotique, stockées au format LeRobot, la norme ouverte déjà utilisée dans des dizaines de milliers de jeux de données d'apprentissage de robots sur Hugging Face, la plateforme d'hébergement de modèles et jeux de données IA.

Deuxièmement, ce jeu de données se synchronise dans un bucket de stockage Hugging Face. Un bucket est un espace de stockage qui permet au logiciel de remplacer les fichiers sur place, plutôt que de sauvegarder chaque version historique comme le ferait un référentiel de code. Hugging Face a annoncé ce type de bucket en mars 2026. Comme il se trouve dans le même espace de travail Hugging Face que celui que le développeur utilise déjà, il n'y a pas de permissions supplémentaires à configurer.

Troisièmement, l'entraînement se fait en continu depuis le bucket, image par image, sans télécharger d'abord l'intégralité du jeu de données. Pour un jeu de données qui augmente quotidiennement, cela importe : une approche traditionnelle copie tout sur la machine d'entraînement avant la première étape de gradient, et cette copie devient plus chère chaque jour.

Quatrièmement, le point de contrôle du modèle fini se déploie sur le même objet robot dans le code, basculant de la simulation au matériel réel en changeant un argument.

Pour qui est-ce réellement ?

Pour le moment, l'audience est constituée de chercheurs et d'ingénieurs en robotique qui utilisent déjà l'écosystème LeRobot. Le chemin de simulation s'exécute sur un ordinateur portable sans matériel spécial. Le chemin matériel cible des bras comme le SO-101, un bras robotique bon marché populaire dans les laboratoires universitaires, bien que le kit liste de nombreuses autres conceptions prises en charge.

Pour quiconque mène une campagne de collecte de données de robots, l'avantage pratique est moins d'attente et des coûts de transfert cloud inférieurs. Chaque synchronisation n'envoie que les octets qui ont changé depuis la dernière exécution, une technique appelée déduplication au niveau des octets, plutôt que de renvoyer le jeu de données complet.

L'agent gère également les décisions qui nécessitent autrement qu'un humain vérifie un écran : les épisodes à conserver, si la scène a suffisamment changé pour réenregistrer, et quel point de contrôle remplace celui actuellement sur le bras.

Qu'en est-il ensuite ?

Strands Robots est maintenant disponible sur GitHub sous la licence Apache 2.0, ce qui signifie que n'importe qui peut l'utiliser ou le modifier librement. Le carnet d'accompagnement pour ce flux de travail spécifique se trouve à examples/notebooks/05_streaming_data_loop.ipynb dans le référentiel, d'abord détaillé par Hugging Face dans sa documentation pour développeurs.

La politique simulée par défaut permet à un développeur d'exécuter la boucle complète sur un ordinateur portable avant de s'engager dans le temps d'entraînement GPU, ce qui réduit la barrière à l'essai. L'entraînement de politique réelle nécessite toujours un GPU, et le déploiement sur du matériel physique nécessite toujours un bras calibré.

L'image plus grande est que l'écart entre « j'ai enregistré des données de robot » et « mon robot utilise ces données » continue de diminuer. Les boucles qui exigeaient autrefois une équipe coordonnant les téléchargements, les travaux d'entraînement et les flashages de micrologiciel commencent à tenir dans quelques lignes de code.