Robot sedang belajar cara bergerak, tetapi siapa yang mengajari mereka seperti apa dunia nyata sebenarnya? Itulah kesenjangan yang saya lihat @vangrid_io kejar. Jalan, area pemuatan, koridor, dan semua tempat acak yang armada pemetaan tradisional tidak memperbarui dengan cukup cepat. Alih-alih mengandalkan hanya lingkungan terkendali, Vangrid mengubah smartphone menjadi node pengambilan di mana orang dapat menyelesaikan bounty lokasi spesifik yang didanai dengan USDC di Base. Dan bagian yang menarik adalah bahwa pengambilan data bukan sekadar file video yang tersimpan di suatu tempat. Rekaman multi-sudut dapat diubah menjadi geometri 3D, point cloud, Gaussian splats, atau model GLB bertekstur, dengan provenance yang terhubung melalui hash dan attestasi EAS. Privasi juga menjadi bagian dari alur kerja. Wajah dan plat nomor diblur di perangkat sebelum rekaman mentah keluar dari ponsel. Snapshot jaringan saat ini sudah menunjukkan 1.024.912 capture, 423.143 node aktif, 3.823 Merkle tree yang diattestasi EAS, dan sekitar $311K yang telah diselesaikan dalam USDC. Jadi saya terus kembali pada satu pertanyaan. Jika data simulasi mengajari robot cara bergerak, bisakah ground truth spasial Vangrid membantu mengajari mereka di mana harus bergerak di dunia nyata? @quipnetwork