𝗗𝗼𝗽𝗿𝗮𝗷𝗮𝗻𝗶𝗲 𝟭𝟬+ 𝘇𝗮𝗹𝗼𝗻𝗮 𝗹𝗮𝗿𝗮𝗻𝗱𝗼𝗻𝗮 𝗿𝗼𝗯𝗼𝘁 𝗹𝗲𝗮𝗿𝗻𝗶𝗻𝗴, od mojego doktoratu na Imperial przez Berkeley po budowę Dyson Robot Learning Lab, jedna frustracja ciągle mnie dotykała: 𝗗𝗼𝗽𝗿𝗮𝗷𝗮𝗻𝗶𝗲 𝗱𝗼 𝗶𝗻𝗳𝗿𝗮𝘀𝘁𝗿𝘂𝗰𝘁𝘂𝗿𝗲 𝗼𝘃𝗲𝗿 𝗮𝗻𝗱 𝗼𝘃𝗲𝗿 𝗮𝗴𝗮𝗶𝗻? 𝗗𝗼𝗽𝗿𝗮𝗷𝗮𝗻𝗶𝗲 𝗽𝗮𝘁𝘁𝗲𝗿𝗻 𝗜 𝗸𝗲𝗽𝘁 𝘀𝗲𝗲𝗶𝗻𝗴: • Nowy zespół robotyki zaczyna • Spędza 6 miesięcy na budowie pipeline'u zbierania danych • Spędza kolejne 3 miesiące na debugowaniu problemów z synchronizacją • W końcu zaczyna zbierać dane specyficzne dla zadania • Uświadamia sobie, że ich wybory infrastrukturalne ograniczają ich elastyczność • Zaczyna od nowa 𝗗𝗼𝗽𝗿𝗮𝗷𝗮𝗻𝗶𝗲 𝗶𝘀 𝘁𝗵𝗲 𝘄𝗵𝗼𝗹𝗲 𝗽𝗼𝗶𝗻𝘁 𝗼𝗳 𝗿𝗼𝗯𝗼𝘁 𝗹𝗲𝗮𝗿𝗻𝗶𝗻𝗴: Uczenie się robotów jest zasadniczo oparte na danych. Niezależnie od tego, czy zbierasz truskawki, czy montujesz elektronikę, podstawowe potrzeby infrastrukturalne są identyczne. To właśnie dlatego byłem tak zainteresowany danymi w robotyce ponad dekadę temu. 𝗬𝗼𝘂 𝗮𝗹𝘄𝗮𝘆𝘀 𝗻𝗲𝗲𝗱: • Synchronizacja danych z wielu czujników w różnych częstotliwościach • Elastyczne przechowywanie, które działa z przyszłymi algorytmami • Narzędzia wizualizacyjne do zrozumienia swoich danych • Możliwość eksperymentowania z różnymi rozdzielczościami czasowymi • Solidne logowanie, które rejestruje wszystko, co może być potrzebne później Trend w kierunku AI w robotyce rośnie, a roboty muszą przetwarzać i analizować duże ilości danych z czujników, aby zarządzać zmiennością i nieprzewidywalnością w rzeczywistych środowiskach. 𝗕𝘂𝘁 𝗲𝘃𝗲𝗿𝘆 𝘁𝗲𝗮𝗺 𝗯𝘂𝗶𝗹𝗱𝘀 𝘁𝗵𝗶𝘀 𝗳𝗿𝗼𝗺 𝘀𝗰𝗿𝗮𝘁𝗰𝗵. Wyobraź sobie, że każdy programista internetowy musiałby zbudować swoją własną bazę danych, serwer internetowy i pipeline wdrożeniowy, zanim napisałby swoją pierwszą linię kodu aplikacji. 𝗧𝗵𝗶𝘀 𝗶𝘀 𝘄𝗵𝘆 𝗜 𝗳𝗼𝘂𝗻𝗱𝗲𝗱 𝗡𝗲𝘂𝗿𝗮𝗰𝗼𝗿𝗲. Zamiast tego, aby każdy zespół robotyki spędzał miesiące na infrastrukturze, dostarczamy wspólne narzędzia, które pozwalają przejść od "Mam robota" do "Wysyłam inteligentne zachowania robota" w ciągu dni, a nie miesięcy....