Mas magiging kapaki-pakinabang ang isang robot dataset kapag ang mga bahagi nito ay sumasagot sa isa’t isa. Ito ang naging nakakatangi sa akin sa data engine mula sa @axisrobotics. Ang task generation ang nagpapasya kung anong scenario at atomic skill ang kailangang sakop. Ang mga contributor ay gumagawa ng trajectories gamit ang browser teleoperation o real-world egocentric capture. Ang isang pinagsama-samang pipeline ay sumisigurado, inaayos, ina-annotate, at ina-augment ang mga input na ito bago ito maging training data. Hindi dapat magwawakas ang loop doon. Pagkatapos ay training ang isang policy, ang mga kahinaan nito ang makakatukoy kung anong mga task ang muling buksan para sa post-training. Ang isang contributor ay nanonood habang sinusubukan ng policy ang task, tumatanggap ng kontrol kapag ito ay bumabagsak, at ibinabalik ang kontrol. Ang mga koreksyong ito ay nagpapalakas sa susunod na iterasyon. Bawat komponente ay may hiwalay na tungkulin, ngunit ang halaga ay nasa feedback sa pagitan nila: generate, collect, process, train, ipakita ang kahinaan, collect muli. Ang mas maraming data ay isang abstraktong layunin. Ang isang sistema na makakapagtanong para sa susunod na kapaki-pakinabang na piraso ng data ay mas matalino. Magsimula dito: https://t.co/SUKXsZDwvC