𝗗𝗲𝗽𝘂𝗲𝘀 𝗱𝗲 𝟭𝟬+ 𝗮𝗻̃𝗼𝘀 𝗲𝗻 𝗹𝗲𝗮𝗿𝗻𝗶𝗻𝗴 𝗿𝗼𝗯𝗼𝘁, desde mi doctorado en Imperial hasta Berkeley y la construcción del Dyson Robot Learning Lab, una frustración me ha estado golpeando: 𝗗𝗲𝗽𝘂𝗲𝘀 𝗱𝗲 𝗽𝗼𝗿𝗾𝘂𝗲 𝗱𝗲𝗯𝗼 𝗿𝗲𝗯𝗼𝗿𝗱𝗮𝗿 𝗹𝗮 𝘀𝗮𝗺𝗮 𝗶𝗻𝗳𝗿𝗮𝘀𝘁𝗿𝘂𝗰𝘁𝘂𝗿𝗮 𝗼𝘃𝗲𝗿 𝗮𝗻𝗱 𝗼𝘃𝗲𝗿 𝗮𝗴𝗮𝗶𝗻? 𝗘𝗹 𝗽𝗮𝘁𝗿𝗼́𝗻 𝗾𝘂𝗲 𝗺𝗲 𝗵𝗮 𝗰𝗼𝗻𝗳𝗶𝗿𝗺𝗮𝗱𝗼: • Un nuevo equipo de robótica comienza • Pasa 6 meses construyendo un pipeline de recolección de datos • Pasa otros 3 meses depurando problemas de sincronización • Finalmente comienza a recolectar datos específicos de tareas • Se da cuenta de que sus elecciones de infraestructura limitan su flexibilidad • Comienza de nuevo 𝗘𝗦𝗧𝗢 𝗘𝗦 𝗘𝗟 𝗽𝗼𝗶𝗻𝘁𝗼 𝗱𝗲 𝗹𝗲𝗮𝗿𝗻𝗶𝗻𝗴 𝗿𝗼𝗯𝗼𝘁: El aprendizaje de robots es fundamentalmente impulsado por datos. Ya sea que estés recogiendo fresas o ensamblando electrónica, las necesidades de infraestructura básicas son idénticas. Esa es en realidad la razón por la que me interesé en la robótica impulsada por datos hace más de una década. 𝗡𝗲𝗰𝗲𝘀𝗶𝘁𝗮𝘀 𝗲𝗻 𝗲𝘀𝗽𝗮𝗰𝗶𝗼: • Sincronización de datos de múltiples sensores a diferentes frecuencias • Almacenamiento flexible que funcione con futuros algoritmos • Herramientas de visualización para entender tus datos • La capacidad de experimentar con diferentes resoluciones temporales • Registro robusto que capture todo lo que puedas necesitar más tarde La tendencia hacia la IA en robótica está creciendo, con robots que necesitan procesar y analizar grandes cantidades de datos de sensores para gestionar la variabilidad y la imprevisibilidad en entornos reales. 𝗠𝗮𝗽𝗮𝗿 𝗲𝘃𝗲𝗿𝘆 𝗲𝗮𝗺 𝗯𝘂𝗶𝗹𝗱𝘀 𝗲𝘀𝘁𝗼 𝗳𝗿𝗼𝗺 𝘀𝗰𝗿𝗮𝘁𝗰𝗵. Imagina si cada desarrollador web tuviera que construir su propia base de datos, servidor web y pipeline de despliegue antes de escribir su primera línea de código de aplicación. 𝗘𝗦𝗧𝗢 𝗘𝗦 𝗟𝗔 𝗿𝗲𝗮𝗹 𝗶𝗻𝗻𝗼𝘃𝗮𝗰𝗶𝗼𝗻 𝗲𝗻 𝗿𝗼𝗯𝗼𝘁𝗶𝗰𝗮. 𝗡𝗼 𝗰𝗼𝗺𝗲 𝗳𝗿𝗼𝗺 𝗲𝘃𝗲𝗿𝘆𝗼𝗻𝗲 𝗿𝗲𝗯𝗼𝗿𝗱𝗮𝗻𝗱𝗼 𝗹𝗮 𝘀𝗮𝗺𝗮 𝗽𝗹𝘂𝗺𝗯𝗶𝗻𝗴. 𝗘𝘀 𝗽𝗼𝗿 𝗲𝗹 𝗾𝘂𝗲 𝗰𝗮𝗻 𝗳𝗼𝗰𝘂𝘀 𝗲𝗻𝘁𝗶𝗿𝗲𝗹𝘆 𝗼𝗻 𝗾𝘂𝗲 𝗺𝗮𝗸𝗲𝘀 𝘁𝗵𝗲𝗶𝗿 𝗮𝗽𝗽𝗹𝗶𝗰𝗮𝘁𝗶𝗼𝗻 𝘂𝗻𝗶𝗾𝘂𝗲. El aprendizaje de robots no debería estar limitado por la infraestructura. Debería estar limitado por la creatividad....