Arbeitsablauf
Die Datenschleife – vom Fehler zum Training
Wir sammeln nicht nur Daten. Wir schließen den Kreis: Von der echten Episode über das strukturierte Paket bis hin zum Benchmark-Lauf, von der Wiederholung zum Fehler und zurück zum Training. Wenn Roboter ausfallen, extrahieren wir Fehlerpakete wie Keyframes, Kontakt-Slices und Korrekturtrajektorien und speisen sie dann in die nächste Richtlinienversion ein. Aus Misserfolgen werden Vermögenswerte.
Das unterscheidet uns von generischen Datenanbietern: Wir agieren an der Schnittstelle von echte Hardware, lernbasierte Steuerung, Und Datenstandards auf Forschungsniveau. Unser Team versteht sowohl Robotersysteme als auch ML-Pipelines.
Abdeckung
Was wir sammeln
Wir sind auf multimodale, synchronisierte Roboterdatensätze spezialisiert, die von realer Hardware in kontrollierten und halbstrukturierten Umgebungen erfasst werden.
- VisionRGB-, RGB-D- und Multi-View-Kamerastreams, abgestimmt auf Roboterstatus und -steuerung.
- PropriozeptionGelenkposition, Geschwindigkeit, Drehmoment, Motorströme und Steuersignale mit niedrigem Pegel.
- Kraft und taktilEndeffektorkraft, taktile Arrays, Kontaktort, Druck und Scherung.
- Menschliche EingabenTeleoperationsbefehle, Demonstrationsflugbahnen und Korrekturmaßnahmen.
- UmgebungskontextSzenenkonfiguration, Objektmetadaten, Aufgabenparameter und Episodengrenzen.
Alle Modalitäten werden vor der Auslieferung zeitsynchronisiert, strukturiert und validiert.
Sammelmodus
Human-in-the-Loop-Teleoperation
Für Manipulations- und Fertigkeitslernaufgaben setzen wir Human-in-the-Loop-Teleoperationssysteme ein, um Demonstrationen zu erfassen, die echte menschliche Absichten, Korrekturverhalten und Anpassung bei Kontakt widerspiegeln.
- Anthropomorphe Steuerungszuordnungen für intuitive Demonstrationen
- Schwerkraftkompensation und Compliance in Echtzeit
- Sicherer Betrieb bei Kontakt- und Fehlerfällen
- Wiederholbare Task-Initialisierungs- und Reset-Prozeduren
Programmgestaltung
Aufgabengesteuertes Datensatzdesign
Wir sammeln keine unstrukturierten Rohprotokolle. Jedes Projekt beginnt mit der expliziten Aufgaben- und Datensatzgestaltung: Aufgabendefinition, Erfolgskriterien, Zustands-/Aktions-/Beobachtungsspezifikationen, Episodensegmentierung, Sensorabdeckung und einzubeziehende Fehlermodi. Das Ergebnis ist direkt für Training, Evaluierung und Benchmarking nutzbar.