𝗔𝗳𝘁𝗲𝗿 𝟭𝟬+ 𝘆𝗲𝗮𝗿𝘀 𝗶𝗻 𝗿𝗼𝗯𝗼𝘁 𝗹𝗲𝗮𝗿𝗻𝗶𝗻𝗴, từ tiến sĩ của tôi tại Imperial đến Berkeley và xây dựng Phòng thí nghiệm Học máy Dyson, một sự thất vọng cứ lặp đi lặp lại với tôi: 𝗪𝗵𝘆 𝗱𝗼 𝗜 𝗵𝗮𝘃𝗲 𝘁𝗼 𝗿𝗲𝗯𝘂𝗶𝗹𝗱 𝘁𝗵𝗲 𝘀𝗮𝗺𝗲 𝗶𝗻𝗳𝗿𝗮𝘀𝘁𝗿𝘂𝗰𝘁𝘂𝗿𝗲 𝗼𝘃𝗲𝗿 𝗮𝗻𝗱 𝗼𝘃𝗲𝗿 𝗮𝗴𝗮𝗶𝗻? 𝗧𝗵𝗲 𝗽𝗮𝘁𝘁𝗲𝗿𝗻 𝗜 𝗸𝗲𝗽𝘁 𝘀𝗲𝗲𝗶𝗻𝗴: • Nhóm robot mới bắt đầu • Dành 6 tháng để xây dựng quy trình thu thập dữ liệu • Dành thêm 3 tháng để gỡ lỗi các vấn đề đồng bộ hóa • Cuối cùng bắt đầu thu thập dữ liệu theo nhiệm vụ cụ thể • Nhận ra rằng các lựa chọn cơ sở hạ tầng của họ hạn chế tính linh hoạt • Bắt đầu lại 𝗧𝗵𝗶𝘀 𝗶𝘀 𝘁𝗵𝗲 𝘄𝗵𝗼𝗹𝗲 𝗽𝗼𝗶𝗻𝘁 𝗼𝗳 𝗿𝗼𝗯𝗼𝘁 𝗹𝗲𝗮𝗿𝗻𝗶𝗻𝗴: Học máy robot về cơ bản là dựa trên dữ liệu. Dù bạn đang hái dâu tây hay lắp ráp điện tử, các nhu cầu cơ sở hạ tầng cốt lõi là giống nhau. Đó thực sự là lý do tại sao tôi rất quan tâm đến việc theo đuổi robot dựa trên dữ liệu hơn một thập kỷ trước. 𝗬𝗼𝘂 𝗮𝗹𝘄𝗮𝘆𝘀 𝗻𝗲𝗲𝗱: • Đồng bộ hóa dữ liệu đa cảm biến ở các tần số khác nhau • Lưu trữ linh hoạt hoạt động với các thuật toán trong tương lai • Công cụ trực quan hóa để hiểu dữ liệu của bạn • Khả năng thử nghiệm với các độ phân giải tạm thời khác nhau • Ghi chép mạnh mẽ ghi lại mọi thứ bạn có thể cần sau này Xu hướng hướng tới AI trong robot đang gia tăng, với các robot cần xử lý và phân tích một lượng lớn dữ liệu cảm biến để quản lý sự biến đổi và không thể đoán trước trong các môi trường thực. 𝗕𝘂𝘁 𝗲𝘃𝗲𝗿𝘆 𝘁𝗲𝗮𝗺 𝗯𝘂𝗶𝗹𝗱𝘀 𝘁𝗵𝗶𝘀 𝗳𝗿𝗼𝗺 𝘀𝗰𝗿𝗮𝘁𝗰𝗵. Hãy tưởng tượng nếu mỗi nhà phát triển web đều phải xây dựng cơ sở dữ liệu, máy chủ web và quy trình triển khai của riêng mình trước khi viết dòng mã ứng dụng đầu tiên. 𝗧𝗵𝗶𝘀 𝗶𝘀 𝘄𝗵𝘆 𝗜 𝗳𝗼𝘂𝗻𝗱𝗲𝗱 𝗡𝗲𝘂𝗿𝗮𝗰𝗼𝗿𝗲. Thay vì mỗi nhóm robot dành hàng tháng cho cơ sở hạ tầng, chúng tôi cung cấp các công cụ chung cho phép bạn đi từ "Tôi có một con robot" đến "Tôi đang giao hàng các hành vi robot thông minh" trong vài ngày, không phải vài tháng....