রোবোটগুলি কীভাবে চলার শিক্ষা নিচ্ছে, কিন্তু বাস্তব বিশ্ব কীভাবে দেখায় তা কে শেখাচ্ছে? এটিই হলো আমি যে ফাঁকটি দেখছি @vangrid_io এর দ্বারা সমাধানের জন্য। রাস্তা, লোডিং বে, করিডোর এবং সব ধরনের অনিয়মিত স্থান, যেখানে প্রচলিত ম্যাপিং ফ্লিটগুলি প্রায়ই যথেষ্ট দ্রুত আপডেট করতে পারে না। শুধুমাত্র নিয়ন্ত্রিত পরিবেশের উপর নির্ভরশীল না হয়ে, Vangrid স্মার্টফোনগুলিকে ক্যাপচার নোডে পরিণত করে, যেখানে মানুষ Base-এ USDC-এর মাধ্যমে অর্থায়নকৃত নির্দিষ্ট লোকেশন বাউন্টি পূরণ করতে পারে। এবং আকর্ষণীয় বিষয়টি হলো, ক্যাপচারটি শুধুমাত্র কোথাও রাখা একটি ভিডিও ফাইল নয়। বহুকোণের ফুটেজকে 3D জিওমেট্রি, পয়েন্ট ক্লাউড, Gaussian splats বা টেক্সচারড GLB মডেলে রূপান্তরিত করা যায়, যার প্রমাণসহযোগে hash-এর মাধ্যমে EAS attestations-এর সঙ্গে সংযুক্তি। গোপনীয়তাও এই প্রক্রিয়ার অংশ। চেহারা এবং লাইসেন্সপ্লেটগুলি raw footage-এর phone-এর বাইরে যাওয়ার আগেই device-এ blur-করা হয়। বর্তমান নেটওয়ার্কের snapshot-এ 1,024,912 captures, 423,143 active nodes, 3,823 EAS attested Merkle trees,এবং $311K USDC settled-এর । তাই,আমি একটি প্রশ্নেই ফিরে আসি। যদি simulation data robots-কে how to move-এর শিক্ষা দেয়,তবে Vangrid-এর spatial ground truth-টি real world-এ where to move-এরও শিক্ষা দিতে পারবে? @quipnetwork