Un conjunto de datos de robot se vuelve más útil cuando sus partes se responden entre sí. Eso es lo que me llamó la atención en el motor de datos de @axisrobotics. La generación de tareas determina qué escenario y qué habilidad atómica necesitan cobertura. Los colaboradores generan trayectorias mediante teleoperación por navegador o captura egocéntrica en el mundo real. Luego, una tubería unificada verifica, limpia, anota y amplía esas entradas antes de que se conviertan en datos de entrenamiento. El ciclo no tiene por qué terminar ahí. Una vez entrenada una política, sus puntos débiles pueden determinar qué tareas se reabren para post-entrenamiento. Un colaborador observa cómo la política intenta la tarea, toma el control cuando falla y luego devuelve el control. Esas correcciones alimentan la siguiente iteración. Cada componente tiene un trabajo separado, pero el valor está en la retroalimentación entre ellos: generar, recopilar, procesar, entrenar, exponer una debilidad, recopilar nuevamente. Más datos por sí solos es un objetivo vago. Un sistema que pueda pedir la próxima pieza útil de datos es mucho más preciso. Comienza aquí: https://t.co/SUKXsZDwvC