Ang mga robot ay natututo kung paano umikot, ngunit sino ang nagtuturo sa kanila kung ano talaga ang anyo ng totoong mundo? Ito ang gap na tinatarget ni @vangrid_io. Mga kalye, mga lugar para sa pag-load, mga koridor, at lahat ng random na lugar na hindi masyadong mabilis na ina-update ng mga tradisyonal na fleet ng pagmamapa. Hindi lamang nakikibatay sa mga kontroladong kapaligiran, ginagawang capture nodes ang mga smartphone ni Vangrid kung saan ang mga tao ay makakapagtapos ng mga partikular na location bounties na pinagpapautang ng USDC sa Base. At ang nakakagiliw na bahagi ay ang capture ay hindi lamang isang video file na naka-imbak sa isang lugar. Ang multi-angle footage ay maaaring i-convert sa 3D geometry, point clouds, Gaussian splats, o textured GLB models, kasama ang provenance na nakakabit sa pamamagitan ng mga hash at EAS attestations. Ang privacy ay bahagi rin ng workflow. Ang mga mukha at license plates ay binubura sa device bago umalis ang raw footage mula sa telepono. Ang kasalukuyang network snapshot ay nagpapakita na ng 1,024,912 captures, 423,143 active nodes, 3,823 EAS attested Merkle trees, at halos $311K na nalulunas sa USDC. Kaya paulit-ulit kong isasauli ang isang tanong. Kung ang simulation data ang nagtuturo sa robots kung paano umikot, maaari bang tulungan ng spatial ground truth ni Vangrid na turuan sila kung saan dapat umikot sa totoong mundo? @quipnetwork