Un jeu de données pour robot devient plus utile lorsque ses composants se répondent les uns aux autres. C’est ce qui m’a frappé dans le moteur de données de @axisrobotics. La génération de tâches détermine quel scénario et quelle compétence atomique doivent être couverts. Les contributeurs produisent des trajectoires via la téléopération par navigateur ou une capture égocentrique dans le monde réel. Un pipeline unifié vérifie, nettoie, annotera et enrichit ensuite ces entrées avant qu’elles ne deviennent des données d’entraînement. Ce cycle ne doit pas s’arrêter là. Une fois qu’une politique est entraînée, ses points faibles peuvent déterminer quelles tâches doivent être réouvertes après l’entraînement. Un contributeur observe la politique en train d’effectuer la tâche, prend le contrôle lorsqu’elle échoue, puis rend la main. Ces corrections alimentent la prochaine itération. Chaque composant a un rôle distinct, mais la valeur réside dans les retours entre eux : générer, collecter, traiter, entraîner, révéler une faiblesse, collecter à nouveau. Obtenir plus de données seul est un objectif vague. Un système capable de demander la prochaine donnée utile est bien plus efficace. Commencez ici : https://t.co/SUKXsZDwvC