Um conjunto de dados de robôs torna-se mais útil quando suas partes se respondem entre si. Foi isso que me chamou a atenção no motor de dados da @axisrobotics. A geração de tarefas determina qual cenário e qual habilidade atômica precisam ser cobertos. Os contribuidores produzem trajetórias por meio de teleoperação por navegador ou captura egocêntrica no mundo real. Um pipeline unificado então verifica, limpa, anota e amplia essas entradas antes que se tornem dados de treinamento. O ciclo não precisa terminar aí. Uma vez que uma política é treinada, suas fraquezas podem determinar quais tarefas são reabertas para pós-treinamento. Um contribuidor observa a política tentando a tarefa, assume o controle quando ela falha e depois devolve o controle. Essas correções alimentam a próxima iteração. Cada componente tem uma função separada, mas o valor está no feedback entre eles: gerar, coletar, processar, treinar, expor uma fraqueza, coletar novamente. Mais dados sozinhos são um objetivo vago. Um sistema que consegue pedir a próxima peça útil de dados é muito mais preciso. Comece aqui: https://t.co/SUKXsZDwvC