Les robots s'améliorent pour accomplir des tâches. Mais ils doivent toujours comprendre les lieux où ces tâches ont lieu. Pensez à un robot d'entrepôt. Il peut apprendre à saisir une boîte, mais il doit aussi connaître l'emplacement des étagères, celui de la zone de chargement, et ce qui a changé depuis la dernière carte. C’est là que @vangrid_io intervient. Beaucoup de données robotiques sont collectées dans des environnements contrôlés. Les entreprises utilisent des caméras, des dispositifs et des opérateurs humains pour enseigner aux robots des tâches spécifiques. Utile, mais limité. Cela ne dit pas au robot à quoi ressemblent aujourd’hui chaque entrepôt, rue ou bâtiment. Vangrid adopte une approche différente. Les gens utilisent des smartphones pour capturer des lieux réels. Ces captures peuvent ensuite être transformées en données 3D, incluant des nuages de points et des Gaussian splats. Le flux de base est simple : 𝗣𝗵𝗼𝗻𝗲 → 𝗰𝗮𝗽𝘁𝘂𝗿𝗲 → 𝟯𝗗 𝗿𝗲𝗰𝗼𝗻𝘀𝘁𝗿𝘂𝗰𝘁𝗶𝗼𝗻 → 𝘃𝗲𝗿𝗶𝗳𝗶𝗰𝗮𝘁𝗶𝗼𝗻. La phase de vérification est tout aussi importante. Vangrid utilise Base, EAS et des arbres de Merkle pour créer un enregistrement autour de la capture et de son historique. Il existe donc deux problèmes de données distincts : 𝗧𝗿𝗮𝗶𝗻𝗶𝗻𝗴 𝗱𝗮𝘁𝗮 : « Comment accomplir cette tâche ? » 𝗦𝗽𝗮𝘁𝗶𝗮𝗹 𝗱𝗮𝘁𝗮 : « À quoi ressemble l’environnement qui m’entoure ? » Les robots ont besoin des deux. Vangrid se concentre sur le second.