एक रोबोट डेटासेट तब अधिक उपयोगी हो जाता है जब इसके भाग एक-दूसरे के जवाब देते हैं। यही मुझे @axisrobotics के डेटा इंजन में सबसे अधिक ध्यान आकर्षित करता है। कार्य उत्पादन यह निर्णय लेता है कि किस परिदृश्य और परमाणु कौशल की आवश्यकता है। योगदानकर्ता ब्राउज़र टेलीऑपरेशन या वास्तविक दुनिया के एगोसेंट्रिक कैप्चर के माध्यम से ट्रैजेक्टरी बनाते हैं। एक समन्वित पाइपलाइन फिर इन इनपुट्स की पुष्टि, सफाई, अनुमान और समृद्धि करती है, जिसके बाद वे प्रशिक्षण डेटा बन जाते हैं। यह चक्र यहीं समाप्त नहीं होना चाहिए। एक नीति को प्रशिक्षित करने के बाद, इसकी कमजोरियाँ यह निर्धारित कर सकती हैं कि कौन से कार्य प्रशिक्षण के बाद पुनः खोले जाएँ। एक योगदानकर्ता प्रशिक्षित नीति को कार्य करते हुए देखता है, जब यह फिसलती है, तो वह नियंत्रण संभाल लेता है, और फिर नियंत्रण वापस सौंप देता है। ये सुधार अगली पुनरावृत्ति में सम्मिलित होते हैं। प्रत्येक घटक का अलग-अलग कार्य है, लेकिन मूल्य उनके मध्य प्रतिक्रिया में है: उत्पन्न करें, संग्रहीत करें, प्रक्रिया करें, प्रशिक्षित करें, कमजोरी प्रकट करें, पुनः संग्रहीत करें। केवल अधिक डेटा प्राप्त करना एक अस्पष्ट लक्ष्य है। एक प्रणाली, जो अगला उपयोगी डेटा माँग सके, कहीं अधिक स्पष्ट होती है। यहाँ से शुरू करें: https://t.co/SUKXsZDwvC