Ang halaga ng crowdsourcing ng robot demonstrations, sa kondisyon na ang proyekto ay makakahandle ng noisy data. Sa puntos na ito, ang approach ni @axisrobotics ay medyo pragmatic. Ang pipeline na inilarawan nito ay kasama ang: ☆ quality filtering ☆ pagsasalin ng noisy human demonstrations sa usable trajectories ☆ pag-alis ng mga galaw na may hesitation o stall, at paggamit ng Savitzky–Golay para sa trajectory smoothing, na kung saan ay hindi pa opisyal na kumpirmado ni Axis sa X ☆ pag-resample gamit ang cubic spline at pag-temporal alignment ng robot/object states sa stable 20 Hz control grid Kinikilala nang direkta ni Axis ang mga problema sa raw web demonstrations tulad ng micro-jitters at variable frame rates, at ang mga raw data na ito ay hindi sapat para sa reliable policy training; kasama rin nito ang paglalarawan ng replay validation para sa mga sumbitadong trajectories. Ang pagtanggap sa mga pain point ay isang mabuting signal; ang susunod na kailangang obserbahan ay kung gaano kaepektibo ang validation sa malaking saklaw. Ano sa tingin mo ang mas mahalagang moat: ang bilang ng contributors, o ang kakayahang i-convert ang raw demonstrations sa training-ready trajectories?