O valor da crowdsourcing de demonstrações de robôs, desde que o projeto consiga lidar com dados ruidosos. Nesse aspecto, a abordagem do @axisrobotics é bastante pragmática. O pipeline descrito inclui: ☆ filtragem de qualidade ☆ transformar demonstrações humanas ruidosas em trajetórias utilizáveis ☆ remover ações de hesitação ou parada, aplicar suavização de trajetória com Savitzky–Golay — ainda não confirmado oficialmente pela Axis no X ☆ reamostragem com spline cúbico e alinhamento temporal dos estados do robô/objeto em uma grade de controle estável de 20 Hz A Axis também reconhece diretamente que as demonstrações web brutas apresentam micro-jitters, taxas de quadros variáveis e outros problemas; dados brutos sozinhos não são suficientes para treinar políticas confiáveis; além disso, descreve a validação por replay das trajetórias submetidas. Evitar ignorar os pontos dolorosos é um bom sinal; o próximo passo crucial é observar quão eficaz essa validação é em escala massiva. Você acha que a vantagem competitiva mais importante é o número de contribuidores ou a capacidade de transformar demonstrações brutas em trajetórias prontas para treinamento?