روبوٹس کام کرنے کے لیے بہتر ہو رہے ہیں۔ لیکن انہیں اب بھی ان جگہوں کو سمجھنا ہوگا جہاں یہ کام ہوتے ہیں۔ ایک اسٹور کے روبوٹ کے بارے میں سوچیں۔ یہ ایک باکس اٹھانے کا طریقہ سیکھ سکتا ہے۔ لیکن اسے یہ بھی معلوم ہونا چاہیے کہ شیلفز کہاں ہیں، لوڈنگ علاقہ کہاں ہے، اور پچھلے نقشے کے بعد کیا تبدیلی ہوئی ہے۔ یہی وہ جگہ ہے جہاں @vangrid_io آتی ہے۔ زیادہ تر روبوٹکس ڈیٹا کنٹرولڈ ماحول میں جمع کیا جاتا ہے۔ کمپنیاں روبوٹس کو خاص کام سکھانے کے لیے کیمرے، اسکرچ اور انسانی آپریٹرز استعمال کرتی ہیں۔ فائدہ مند، لیکن محدود۔ اس سے روبوٹ کو نہیں پتہ چلتا کہ آج ہر اسٹور، سڑک یا عمارت کس طرح دکھائی دے رہی ہے۔ وانگرڈ ایک الگ طریقہ اپناتا ہے۔ لوگ اپنے اسمارٹ فونز کا استعمال کرکے حقیقی جگہوں کو کیپچر کرتے ہیں۔ ان کیپچرز کو بعد میں 3D ڈیٹا میں تبدیل کیا جا سکتا ہے، جس میں پوائنٹ کلاؤڈز اور گاسین سپلٹس شامل ہیں۔ بنیادی عمل آسان ہے: 智能手机 → کیپچر → 3D ریکنسٹرکشن → تصدیق۔ تصدیق کا حصہ بھی اہم ہے۔ وانگرڈ Base، EAS اور Merkle درختوں کا استعمال کرتا ہے تاکہ کیپچر اور اس کے تاریخچے کے حوالے سے ریکارڈ بنایا جا سکے۔ تو واقعی دو مختلف ڈیٹا کے مسائل ہیں: ٹریننگ ڈیٹا: "میں اس کام کو کس طرح کروں؟" فضائی ڈیٹا: "میرے آس پاس کی جگہ کس طرح دکھائی دے رہی ہے؟" روبوٹس دونوں کی ضرورت رکھتے ہیں۔ وانگرڈ دوسرے پر توجہ مرکوز کرتا ہے۔