𝗪𝗲𝗹𝗰𝗼𝗺𝗲 𝗯𝗮𝗰𝗸! 𝗔𝗳𝘁𝗲𝗿 𝟭𝟬+ 𝘆𝗲𝗮𝗿𝘀 𝗶𝗻 𝗿𝗼𝗯𝗼𝘁 𝗹𝗲𝗮𝗿𝗻𝗶𝗻𝗴, от моей кандидатской диссертации в Имперском колледже до Беркли и создания Лаборатории роботизированного обучения Дайсона, одна проблема постоянно меня беспокоила: 𝗪𝗵𝘆 𝗱𝗼 𝗜 𝗵𝗮𝘃𝗲 𝘁𝗼 𝗿𝗲𝗯𝘂𝗶𝗹𝗱 𝘁𝗵𝗲 𝘀𝗮𝗺𝗲 𝗶𝗻𝗳𝗿𝗮𝘀𝘁𝗿𝘂𝗰𝘁𝘂𝗿𝗲 𝗼𝘃𝗲𝗿 𝗮𝗻𝗱 𝗼𝘃𝗲𝗿 𝗮𝗴𝗮𝗶𝗻? 𝗧𝗵𝗲 𝗽𝗮𝘁𝘁𝗲𝗿𝗻 𝗜 𝗸𝗲𝗽𝘁 𝘀𝗲𝗲𝗶𝗻𝗴: • Новая команда по робототехнике начинает • Тратит 6 месяцев на создание системы сбора данных • Тратит еще 3 месяца на отладку проблем синхронизации • Наконец начинает собирать данные, специфичные для задач • Осознает, что их выбор инфраструктуры ограничивает их гибкость • Начинает заново 𝗧𝗵𝗶𝘀 𝗶𝘀 𝘁𝗵𝗲 𝘄𝗵𝗼𝗹𝗲 𝗽𝗼𝗶𝗻𝘁 𝗼𝗳 𝗿𝗼𝗯𝗼𝘁 𝗹𝗲𝗮𝗿𝗻𝗶𝗻𝗴: Роботизированное обучение в своей основе основано на данных. Независимо от того, собираете ли вы клубнику или собираете электронику, основные потребности в инфраструктуре идентичны. Именно поэтому я так заинтересовался данными в робототехнике более десяти лет назад. 𝗬𝗼𝘂 𝗮𝗹𝘄𝗮𝘆𝘀 𝗻𝗲𝗲𝗱: • Синхронизация данных с нескольких датчиков на разных частотах • Гибкое хранилище, которое будет работать с будущими алгоритмами • Инструменты визуализации для понимания ваших данных • Возможность экспериментировать с различными временными разрешениями • Надежная регистрация, которая фиксирует все, что может понадобиться позже Тенденция к ИИ в робототехнике растет, поскольку роботам необходимо обрабатывать и анализировать большие объемы данных с датчиков, чтобы управлять изменчивостью и непредсказуемостью в реальных условиях. 𝗕𝘂𝘁 𝗲𝘃𝗲𝗿𝘆 𝘁𝗲𝗮𝗺 𝗯𝘂𝗶𝗹𝗱𝘀 𝘁𝗵𝗶𝘀 𝗳𝗿𝗼𝗺 𝘀𝗰𝗿𝗮𝘁𝗰𝗵. Представьте, если бы каждый веб-разработчик должен был создавать свою собственную базу данных, веб-сервер и конвейер развертывания, прежде чем написать свою первую строку кода приложения. 𝗧𝗵𝗶𝘀 𝗶𝘀 𝘄𝗵𝘆 𝗜 𝗳𝗼𝘂𝗻𝗱𝗲𝗱 𝗡𝗲𝘂𝗿𝗮𝗰𝗼𝗿𝗲. Вместо того чтобы каждой команде по робототехнике тратить месяцы на инфраструктуру, мы предоставляем общие инструменты, которые позволяют вам перейти от "У меня есть робот" к "Я отправляю интеллектуальные поведения робота" за дни, а не месяцы....