Роботы учатся двигаться, но кто учит их тому, как выглядит реальный мир? Это тот пробел, который, как я вижу, @vangrid_io стремится закрыть. Улицы, погрузочные площадки, коридоры и все случайные места, которые традиционные картографические флоты обновляют слишком медленно. Вместо того чтобы полагаться исключительно на контролируемые среды, Vangrid превращает смартфоны в узлы сбора данных, где люди могут выполнять специфические задания на локации, финансируемые с помощью USDC на Base. И интересно то, что собранные данные — это не просто видеофайл, лежащий где-то. Многоканальные видеозаписи можно преобразовать в 3D-геометрию, облака точек, гауссовы сплайты или текстурированные модели GLB, причем происхождение данных подтверждается через хеши и аттестации EAS. Конфиденциальность также встроена в рабочий процесс: лица и номерные знаки размываются на устройстве до того, как сырые видеозаписи покидают телефон. Текущий снимок сети уже показывает 1 024 912 захватов, 423 143 активных нод, 3 823 аттестованных EAS мерклевых дерева и около 311 000 долларов США в виде USDC, уже выплаченных. Поэтому я всё возвращаюсь к одному вопросу: если симуляционные данные учат роботов двигаться, может ли пространственная истинная картина от Vangrid помочь научить их тому, где двигаться в реальном мире? @quipnetwork