După 10+ ani în învățarea roboților, de la doctoratul meu la Imperial la Berkeley până la construirea laboratorului de învățare a roboților Dyson, o frustrare m-a tot lovit: De ce trebuie să reconstruiesc aceeași infrastructură din nou și din nou? Modelul pe care l-am tot văzut: • Începe o nouă echipă de robotică • Petrece 6 luni construind conducta de colectare a datelor • Petrece încă 3 luni depanând probleme de sincronizare • În sfârșit începe să colecteze date specifice sarcinii • Realizează că opțiunile lor de infrastructură le limitează flexibilitatea • Începe de la capăt Acesta este scopul învățării roboților: învățarea roboților este fundamental bazată pe date. Indiferent dacă culegeți căpșuni sau asamblați electronice, nevoile de infrastructură de bază sunt identice. De aceea am fost atât de interesat să urmăresc robotica bazată pe date acum mai bine de un deceniu. Aveți întotdeauna nevoie de: • Sincronizarea datelor cu mai mulți senzori pe diferite frecvențe • Stocare flexibilă care funcționează cu algoritmii viitori • Instrumente de vizualizare pentru a vă înțelege datele • Capacitatea de a experimenta diferite rezoluții temporale • Înregistrare robustă care captează tot ce ați putea avea nevoie mai târziu Tendința către AI în robotică este în creștere, roboții trebuind să proceseze și să analizeze cantități mari de date ale senzorilor pentru a gestiona variabilitatea și imprevizibilitatea în medii reale. Dar fiecare echipă construiește asta de la zero. Imaginați-vă dacă fiecare dezvoltator web ar trebui să-și construiască propria bază de date, server web și conductă de implementare înainte de a scrie prima linie de cod de aplicație. Acesta este motivul pentru care am fondat Neuracore. În loc ca fiecare echipă de robotică să petreacă luni de zile pe infrastructură, oferim instrumentele comune care vă permit să treceți de la "Am un robot" la "Livrez comportamente inteligente ale roboților" în zile, nu luni....