AWS讓RoboMaker用戶使用Kubeflow來加速機(jī)器人開發(fā)

AWS現(xiàn)在讓云端機(jī)器人服務(wù)AWS RoboMaker用戶，以Kubeflow來調(diào)度機(jī)器人機(jī)器學(xué)習(xí)工作流程，透過新發(fā)布的，用戶可創(chuàng)建Kubeflow工作管線，更快地進(jìn)行實(shí)驗(yàn)和管理機(jī)器人機(jī)器學(xué)習(xí)工作流程，且不需要每次為新任務(wù)重新建置端到端解決方案。Kubeflow讓用戶在Kubernetes上，簡單地部署機(jī)器學(xué)習(xí)工作流程，并且達(dá)到可移植且可擴(kuò)展的目的。

機(jī)器人領(lǐng)域需要整合多種技術(shù)，包括辨識(shí)、感測、機(jī)器學(xué)習(xí)和增強(qiáng)學(xué)習(xí)等，才能完成包括組裝、包裝、遞送、環(huán)境監(jiān)測、救援和輔助手術(shù)等任務(wù)。增強(qiáng)學(xué)習(xí)是一種新興技術(shù)，讓機(jī)器人不需要復(fù)雜的訓(xùn)練數(shù)據(jù)，就能學(xué)習(xí)復(fù)雜的行為，并且在對(duì)長期目標(biāo)進(jìn)行最佳化的同時(shí)，也能良好地做出短期決策。

在AWS中有兩個(gè)相關(guān)的服務(wù)，分別是SageMaker和AWS RoboMaker，分別提供不同角色使用，SageMaker供數(shù)據(jù)科學(xué)家使用，而AWS RoboMaker的用戶則鎖定機(jī)器人專家。SageMaker是一個(gè)全托管的服務(wù)，可以讓用戶快速建構(gòu)、訓(xùn)練和部署機(jī)器學(xué)習(xí)模型，SageMaker RL則是建立在SageMaker基礎(chǔ)上，提供好用的增強(qiáng)學(xué)習(xí)工具，能夠簡單地整合到任何模擬環(huán)境，而AWS RoboMaker是一個(gè)完整的云端解決方案，可讓開發(fā)人員大規(guī)模地模擬、測試和部署機(jī)器人應(yīng)用程序。

要整合Amazon SageMaker和AWS RoboMaker，在機(jī)器人開發(fā)中結(jié)合機(jī)器學(xué)習(xí)工作流程并不容易，為了解決這個(gè)問題，AWS現(xiàn)在推出適用於Kubernetes的Amazon SageMaker RL組件，用戶可以在Kubeflow工作管線中使用SageMaker RL組件，來啟動(dòng)平行化SageMaker訓(xùn)練和AWS RoboMaker模擬工作。

在Kubeflow工作管線中的SageMaker組件，可以簡單地載入組件，并且使用Kubeflow工作管線SDK描述工作管線，接著SageMaker RL就會(huì)開始訓(xùn)練增強(qiáng)學(xué)習(xí)代理，而當(dāng)訓(xùn)練完成，增強(qiáng)學(xué)習(xí)代理模型會(huì)被儲(chǔ)存在Amazon S3儲(chǔ)存桶中，用戶就可以將模型下載到機(jī)器人中，并開始執(zhí)行任務(wù)。

在典型的Kubeflow工作管線中，每個(gè)組件都會(huì)將用戶邏輯封裝在容器映像文件中，因此用戶可以將程序碼放進(jìn)自定義容器映像文件中，并將其推送到容器注冊(cè)表中，當(dāng)工作管線執(zhí)行時(shí)，會(huì)在Kubeflow的Kubernetes叢集節(jié)點(diǎn)上實(shí)例化組件容器，便能執(zhí)行用戶編寫的邏輯。

但是當(dāng)用戶在Kubeflow工作管線中使用SageMaker組件，而不是將邏輯封裝在自定義容器中，用戶只需要使用Kubeflow工作管線SDK載入組件，并且描述工作管線，在工作管線執(zhí)行時(shí)，用戶的指令會(huì)被轉(zhuǎn)換成SageMaker工作或部署，這些工作會(huì)在SageMaker的全托管基礎(chǔ)設(shè)施上執(zhí)行，因此用戶可以獲得完整的SageMaker好處，包括使用競價(jià)型訓(xùn)練服務(wù)和端點(diǎn)自動(dòng)擴(kuò)展等。

用戶可以分開調(diào)度和模擬用的VPC，因?yàn)镽L Estimator、AWS RoboMaker以及Kubeflow工作管線組件之間，不需要直接通訊，這些組件會(huì)和AWS RoboMaker和SageMaker API交互，但不與工作本身交互。