Набор данных робота становится более полезным, когда его компоненты отвечают друг на друга. Это именно то, что бросилось мне в глаза в движке данных от @axisrobotics. Генерация задач определяет, какие сценарии и атомарные навыки требуют покрытия. Участники создают траектории с помощью телеперемещения через браузер или захвата в реальном мире с эгокентрической точки зрения. Затем унифицированный конвейер проверяет, очищает, аннотирует и расширяет эти входные данные, прежде чем они станут обучающими данными. Этот цикл не должен заканчиваться здесь. После обучения политики её слабые места могут определить, какие задачи следует снова открыть для пост-обучения. Участник наблюдает, как политика пытается выполнить задачу, берёт управление на себя, когда она ошибается, а затем передаёт управление обратно. Эти исправления питают следующую итерацию. Каждый компонент выполняет отдельную задачу, но ценность — в обратной связи между ними: генерировать, собирать, обрабатывать, обучать, выявлять слабость, собирать снова. Больше данных — это расплывчатая цель. Система, способная запрашивать следующий полезный фрагмент данных, — намного более точная. Начните здесь: https://t.co/SUKXsZDwvC