الروبوتات تصبح أفضل في أداء المهام. لكنها لا تزال بحاجة لفهم الأماكن التي تحدث فيها هذه المهام. فكّر في روبوت مستودع. يمكنه تعلم كيفية رفع صندوق. لكنه يحتاج أيضًا لمعرفة أين توجد الرفوف، وأين منطقة التحميل، وما الذي تغيّر منذ آخر خريطة. هنا يأتي دور @vangrid_io. يتم جمع الكثير من بيانات الروبوتات في بيئات مُحكمة. تستخدم الشركات الكاميرات، والأجهزة، والمشغلين البشريين لتعليم الروبوتات مهام محددة. مفيد، لكنه محدود. إنه لا يخبر الروبوت بكيفية مظهر كل مستودع أو شارع أو مبنى اليوم. تتبع Vangrid نهجًا مختلفًا. يستخدم الأشخاص الهواتف الذكية لالتقاط أماكن حقيقية. ويمكن تحويل هذه التسجيلات إلى بيانات ثلاثية الأبعاد، بما في ذلك سحب النقاط وتقنيات Gaussian splats. التدفق الأساسي بسيط: 𝗛𝗼𝗻𝗲 → 𝗰𝗮𝗽𝘁𝘂𝗿𝗲 → 𝟯𝗗 𝗿𝗲𝗰𝗼𝗻𝘀𝘁𝗿𝘂𝗰𝘁𝗶𝗼𝗻 → 𝘃𝗲𝗿𝗶𝗳𝗶𝗰𝗮𝘁𝗶𝗼𝗻. جزء التحقق مهم أيضًا. تستخدم Vangrid قواعد Base وEAS وMerkle trees لإنشاء سجل حول التسجيل وتاريخه. لذلك هناك مشكلتا بيانات مختلفتان: 𝗗𝗮𝘁𝗮 𝗼𝗳 𝗧𝗿𝗮𝗶𝗻𝗶𝗻𝗴: "كيف أقوم بهذه المهمة؟" 𝗗𝗮𝘁𝗮 𝗼𝗳 𝗦𝗽𝗮𝘁𝗶𝗮𝗹: "كيف يبدو المكان من حولي؟" الروبوتات تحتاج إلى كليهما. Vangrid تركز على الثاني.