Sebuah dataset robot menjadi lebih berguna ketika bagian-bagiannya saling menjawab. Itulah yang menonjol bagi saya dalam mesin data dari @axisrobotics. Generasi tugas menentukan skenario dan keterampilan atomik mana yang perlu dicakup. Kontributor menghasilkan trajektori melalui teleoperasi browser atau pengambilan egosentrik di dunia nyata. Pipeline terpadu kemudian memverifikasi, membersihkan, mengannotasi, dan memperkaya input-input tersebut sebelum menjadi data pelatihan. Lingkaran ini tidak harus berakhir di sana. Setelah kebijakan dilatih, titik lemahnya dapat menentukan tugas-tugas mana yang dibuka kembali untuk pasca-pelatihan. Seorang kontributor mengamati kebijakan mencoba tugas tersebut, mengambil alih ketika ia gagal, lalu mengembalikan kendali. Koreksi-koreksi ini menjadi masukan untuk iterasi berikutnya. Setiap komponen memiliki tugas terpisah, tetapi nilainya terletak pada umpan balik di antara mereka: generasi, pengumpulan, pemrosesan, pelatihan, eksposur kelemahan, pengumpulan kembali. Data yang lebih banyak saja adalah tujuan yang kabur. Sistem yang mampu meminta data berguna berikutnya jauh lebih tajam. Mulai dari sini: https://t.co/SUKXsZDwvC