Les robots apprennent à se déplacer, mais qui leur apprend à quoi ressemble vraiment le monde réel ? C’est ce fossé que je vois @vangrid_io chercher à combler. Les rues, les quais de chargement, les couloirs et tous les endroits aléatoires que les flottes de cartographie traditionnelles ne mettent pas à jour assez rapidement. Au lieu de s’appuyer uniquement sur des environnements contrôlés, Vangrid transforme les smartphones en nœuds de capture où les gens peuvent accomplir des récompenses de localisation spécifiques financées en USDC sur Base. Et la partie intéressante, c’est que la capture n’est pas simplement un fichier vidéo stocké quelque part. Les vidéos sous plusieurs angles peuvent être transformées en géométrie 3D, nuages de points, Gaussian splats ou modèles GLB texturés, avec une traçabilité liée via des hachages et des attestations EAS. La confidentialité fait aussi partie du processus. Les visages et les plaques d’immatriculation sont floutés sur l’appareil avant que les vidéos brutes ne quittent le téléphone. La capture actuelle du réseau montre déjà 1 024 912 captures, 423 143 nœuds actifs, 3 823 arbres de Merkle attestés par EAS et environ 311 000 $ en USDC réglés. Je reviens donc constamment à une seule question : si les données de simulation apprennent aux robots à se déplacer, Vangrid pourrait-elle utiliser sa vérité spatiale pour leur apprendre où se déplacer dans le monde réel ? @quipnetwork