Robotlar görevleri yerine getirmede daha iyi hale geliyor. Ancak bu görevlerin gerçekleştiği yerleri hâlâ anlayabilmeleri gerekiyor. Bir depo robotunu düşünün. Bir kutuyu nasıl kaldıracağını öğrenebilir. Ancak rafaların nerede olduğunu, yükleme alanının nerede olduğunu ve son haritadan beri ne değiştiğini de bilmek zorundadır. İşte burada @vangrid_io devreye giriyor. Robotik verilerinin çoğu kontrollü ortamlarda toplanır. Şirketler, robotlara belirli görevleri öğretmek için kameralar, ekipmanlar ve insan operatörler kullanır. Faydalı olsa da, sınırlıdır. Bu, bir robotun bugün her depo, sokak veya bina nasıl göründüğünü söylemez. Vangrid farklı bir yaklaşım benimser. İnsanlar, gerçek yerleri akıllı telefonlarıyla yakalar. Bu yakalamalar, nokta bulutları ve Gaussian splats dahil olmak üzere 3D verilere dönüştürülebilir. Temel akış basittir: 𝗣𝗵𝗼𝗻𝗲 → 𝗰𝗮𝗽𝘁𝘂𝗿𝗲 → 𝟯𝗗 𝗿𝗲𝗰𝗼𝗻𝘀𝘁𝗿𝘂𝗰𝘁𝗶𝗼𝗻 → 𝘃𝗲𝗿𝗶𝗳𝗶𝗰𝗮𝘁𝗶𝗼𝗻. Doğrulama kısmı da önemlidir. Vangrid, yakalamanın ve tarihçesinin etrafında bir kayıt oluşturmak için Base, EAS ve Merkle ağaçlarını kullanır. Yani aslında iki farklı veri sorunu var: 𝗧𝗿𝗮𝗶𝗻𝗶𝗻𝗴 𝗱𝗮𝘁𝗮: “Bu görevi nasıl yaparım?” 𝗦𝗽𝗮𝘁𝗶𝗮𝗹 𝗱𝗮𝘁𝗮: “Benim etrafımdaki yer nasıl görünüyor?” Robotlar ikisine de ihtiyaç duyar. Vangrid, ikincisine odaklanıyor.