El valor de la crowdsourcing de demostraciones de robots, siempre que el proyecto pueda manejar datos ruidosos. En este aspecto, el enfoque de @axisrobotics es bastante pragmático. El pipeline que describe incluye: ☆ filtrado de calidad ☆ convertir demostraciones humanas ruidosas en trayectorias utilizables ☆ eliminar acciones de hesitación o estancamiento, y suavizar trayectorias con Savitzky–Golay (aún no confirmado oficialmente por Axis en X) ☆ re muestrear con splines cúbicos y alinear temporalmente los estados del robot/objeto a una cuadrícula de control estable de 20 Hz Axis también reconoce directamente que las demostraciones web en bruto presentan micro-jitters, tasas de fotogramas variables, etc., y que estos datos en bruto por sí solos no son suficientes para entrenar políticas confiables; además, describe la validación por replay de las trayectorias enviadas. No evitar los puntos dolorosos es una buena señal; lo que ahora se necesita observar es qué tan efectiva es la validación a gran escala. ¿Qué consideras más importante como ventaja competitiva: la cantidad de contribuyentes o la capacidad de convertir demostraciones en bruto en trayectorias listas para entrenamiento?