Satu perkara yang menonjol kepada saya semasa melalui GitHub @continuumlabs_ ialah bahawa mengumpul data robot bukanlah garis penamat. Ia sebenarnya di mana masalah lain bermula. Apa yang anda lakukan dengan semua data mentah itu? Bayangkan merekodkan ribuan demonstrasi robot. Beberapa pergerakan mungkin terlalu bising. Beberapa trajektori mungkin mempunyai ketidakkonsistenan. Beberapa data mungkin tidak berguna sama sekali untuk latihan. Anda tidak boleh membuang semuanya ke dalam model dan berharap yang terbaik. Di sinilah Continuum Data Cleaning masuk ke dalam gambaran. Ia merupakan toolkit dalam ekosistem Axis yang berfokus pada pemprosesan dan penilaian trajektori robot sebelum digunakan lebih jauh dalam aliran kerja. Dan jujurnya, bahagian ini tidak dibincangkan cukup banyak. Kita sering mendengar banyak tentang mengumpul lebih banyak data. Tetapi lebih banyak data tidak secara automatik bermaksud data yang lebih baik. Fikirkan trajektori robot sebagai rakaman segala yang berlaku semasa menyelesaikan tugas. Jika rakaman itu mengandungi bunyi yang tidak perlu atau ketidakteraturan, model mungkin akhirnya belajar daripada ketidaksempurnaan itu, bukannya belajar perilaku yang sebenarnya anda minati. Oleh itu, data perlu diperiksa dan diproses. Continuum Data Cleaning menyediakan alat untuk perkara seperti pemhalusan trajektori dan penyesuaian semula, bersama metrik yang boleh membantu menilai kualiti trajektori. Sebagai contoh, pemhalusan boleh membantu mengurangkan bunyi yang tidak diingini dalam data pergerakan. Penyesuaian semula boleh membuat trajektori lebih konsisten dalam bagaimana titik data mereka disebarkan sepanjang masa. Dan metrik penilaian boleh memberi anda cara untuk memahami sama ada trajektori itu kelihatan munasabah, bukan sekadar mengandaikan bahawa setiap demonstrasi yang direkodkan adalah berguna. Terdapat juga pengesahan pada aras tugas. Ini penting kerana trajektori boleh kelihatan teknikalnya baik tetapi masih gagal menyelesaikan tugas sebenar. Robot yang bergerak lancar tidak semestinya bermaksud robot itu berjaya menyelesaikan apa yang sepatutnya ia lakukan. Jadi anda ingin bertanya kedua-duanya… “Adakah trajektori ini bersih?” dan “Adakah robot itu sebenarnya menyelesaikan tugas itu?” Perbezaan ini penting apabila anda membina set data untuk AI Fizikal. Perkara menarik tentang Axis ialah anda boleh mulai melihat bagaimana repositori yang berbeza saling berkaitan. Continuum Task Gen membantu mencipta tugas. Manusia boleh mendemonstrasikan tugas-tugas tersebut melalui teleoperasi. Interaksi ini menghasilkan trajektori. Kemudian alat seperti Continuum Data Cleaning boleh membantu memproses dan menilai data trajektori tersebut. Hanya selepas langkah-langkah ini anda benar-benar mula mendekati data yang siap untuk dilatih. Ini adalah cara yang jauh lebih lengkap untuk melihat robotik. Ia bukan sekadar… kumpulkan sebanyak mungkin data. Ia… → kumpul → periksa → bersihkan → sahkan → tingkatkan → latih. Kerana jika robot akan belajar daripada demonstrasi manusia, kualiti demonstrasi itu penting. Dan itulah sebabnya saya fikir bahagian-bahagian kurang menarik dalam aliran kerja, pembersihan data, pengesahan dan penilaian, mungkin akhirnya sama pentingnya dengan model AI mencolok yang semua orang bincangkan. Esok, saya akan melihat lebih dekat apa yang sebenarnya berlaku apabila anda membersihkan dan memproses trajektori robot dengan @continuumlabs_