インペリアル大学で博士号を取得してバークレー校に至るまで、ロボット学習に携わった 10+ 年後、ダイソン ロボット ラーニング ラボの構築まで、1 つのフラストレーションが私を襲い続けました。 なぜ同じインフラストラクチャを何度も再構築する必要があるのですか? 私が見続けたパターン: • 新しいロボット工学チームが開始 • データ収集パイプラインの構築に 6 か月を費やします • 同期の問題のデバッグにさらに 3 か月を費やします • 最後にタスク固有のデータの収集を開始します • インフラストラクチャの選択により柔軟性が制限されていることに気付く • 最初からやり直す これがロボット学習の要点です:ロボット学習は基本的にデータ駆動型です。イチゴを摘む場合でも、電子機器を組み立てる場合でも、コア インフラストラクチャのニーズは同じです。実際、それが私が 10 年以上前にデータ駆動型ロボット工学の追求に非常に興味を持っていた理由です。 常に次のものが必要です。 - 異なる周波数間でのマルチセンサーデータ同期 - 将来のアルゴリズムに対応する柔軟なストレージ • データを理解するための視覚化ツール • さまざまな時間分解能を試す機能 • 後で必要になる可能性のあるすべてのものをキャプチャする堅牢なロギング ロボット工学における AI への傾向は高まっており、ロボットは実際の環境における変動性と予測不可能性を管理するために大量のセンサー データを処理および分析する必要があります。 しかし、どのチームもこれをゼロから構築します。すべての Web 開発者が、アプリケーション コードの最初の行を記述する前に、独自のデータベース、Web サーバー、およびデプロイ パイプラインを構築する必要があると想像してみてください。 これが私がニューラコアを設立した理由です。 すべてのロボットチームがインフラストラクチャに数か月を費やすのではなく、数か月ではなく数日で「ロボットを持っている」から「インテリジェントなロボットの動作を出荷します」に移行できる共通ツールを提供します。...