Po 10+ letech v robotickém učení, od mého doktorátu na Imperial University přes Berkeley až po vybudování laboratoře Dyson Robot Learning Lab, mě stále zasáhla jedna frustrace: Proč musím znovu a znovu přestavovat stejnou infrastrukturu? Vzorec, který jsem stále viděl: • Začíná nový robotický tým • Stráví 6 měsíců budováním kanálu pro sběr dat • Stráví další 3 měsíce laděním problémů se synchronizací • Konečně začne shromažďovat data specifická pro daný úkol • Uvědomuje si, že jejich možnosti infrastruktury omezují jejich flexibilitu • Začíná znovu To je celý smysl robotického učení: Robotické učení je v zásadě řízeno daty. Ať už sbíráte jahody nebo montujete elektroniku, základní potřeby infrastruktury jsou stejné. To je vlastně důvod, proč jsem se před více než deseti lety tak zajímal o robotiku řízenou daty. Vždy potřebujete: • Synchronizace dat z více senzorů na různých frekvencích • Flexibilní úložiště, které funguje s budoucími algoritmy • Vizualizační nástroje pro pochopení vašich dat • Schopnost experimentovat s různými časovými rozlišeními • Robustní protokolování, které zachytí vše, co byste mohli později potřebovat Trend směrem k umělé inteligenci v robotice roste, roboti potřebují zpracovávat a analyzovat velké množství dat ze senzorů, aby zvládli variabilitu a nepředvídatelnost v reálném prostředí. Ale každý tým to staví od nuly. Představte si, že by každý webový vývojář musel před napsáním prvního řádku kódu aplikace vytvořit vlastní databázi, webový server a kanál nasazení. To je důvod, proč jsem založil Neuracore. Místo toho, aby každý robotický tým trávil měsíce nad infrastrukturou, poskytujeme běžné nástroje, které vám umožní přejít od "mám robota" k "dodávám inteligentní chování robotů" během několika dnů, nikoli měsíců....