Recopilación de datos de robots: Guía completa para equipos de ML
Cómo recopilar datos de entrenamiento de robots de alta calidad <unk> métodos de teleoperación, requisitos de episodios, formatos de datos y cómo escalar de 50 a más de 10.000 demostraciones.
[← Guías]
El manual definitivo para recopilar datos de demostración de robots de alta calidad
Por qué los datos reales de robots superan a la simulación
El único cuello de botella más grande en la implementación de políticas de manipulación de robots aprendidos no es la arquitectura de modelos
La brecha entre Sim y realidad no se está cerrando lo suficientemente rápido
Los objetos se deforman, se deslizan e interactúan de manera que incluso los mejores motores de física se acercan mal. Un paño simulado no se comporta como una toalla de algodón real. La iluminación, las texturas de la superficie, el ruido de la cámara y la distorsión de las lentes en entornos reales crean distribuciones visuales que la representación sintética no puede replicar completamente, incluso con técnicas de representación neuronal.
Los números cuentan la historia. En 2025, el RT-2 de Google DeepMind logró un 62% de éxito en la manipulación de objetos novedosos utilizando 130,000 demostraciones del mundo real. La Política de Difusión del Instituto de Investigación de Toyota alcanzó el 94% de éxito en tareas entrenadas con solo 200 demostraciones
Cuando necesitas datos reales
La recopilación de datos del mundo real se justifica cuando su tarea implica cualquiera de los siguientes:
- ** Manipulación rica en contactos:** Insertar, fijar, montar, enchufar y cualquier tarea en la que sea importante la retroalimentación de la fuerza.
- Objetos deformables: Telas, cables, alimentos, bolsas. La simulación deformable está mejorando pero sigue produciendo comportamientos cualitativamente diferentes a los materiales reales.
- ** Diversidad visual:** tareas en las que la política debe generalizarse en las condiciones de iluminación del mundo real, texturas de objetos, fondos y puntos de vista de la cámara que la representación sintética no puede cubrir completamente.
- ** Despliegue específico de hardware:** Cuando su política se ejecutará en un brazo robótico específico con cámaras específicas, la recopilación de datos sobre esa configuración exacta elimina por completo la brecha de realización.
- ** Interacción humano-robot:** Cualquier tarea que implique transferencias, ensamblaje colaborativo o espacio de trabajo compartido con humanos.
La aleatorización de dominios tiene límites
La aleatorización de dominio
Comparar los cuatro métodos de teleoperatoria
La teleoperación
Método 1: Armas del líder y del seguidor (estilo ACT / ALOHA)
Cómo funciona: El operador mueve físicamente un brazo ligero "líder"; un brazo más pesado "seguidor" replica las posiciones conjuntas del líder en tiempo real a través del bus USB Dynamixel directo con una latencia de 3-8 ms. Este es el enfoque utilizado por ALOHA, Mobile ALOHA y la mayoría de las configuraciones de investigación universitaria en 2026.
Por qué produce los mejores datos: El operador tiene retroalimentación proprioceptiva a través del brazo del líder físico
Costos de hardware: $3,000-$8,000 para el brazo líder, más el brazo seguidor/producción.
Propulsión: 20-35 demostraciones por hora para tareas de manipulación de mesa. El método más rápido para tareas ricas en contactos porque la retroalimentación propioceptiva reduce los intentos fallidos.
Es mejor para: Campañas de recopilación de datos serias, manipulación rica en contactos (inserción, montaje), tareas bimanual, cualquier escenario en el que la calidad de los datos sea la prioridad.
Método 2: auriculares VR (Meta Quest 3)
Cómo funciona: El operador usa un auricular VR y ve la cámara del robot o una vista de realidad mixta.
Latencia: 15-40 ms de extremo a extremo (computación Wifi + IK + comando de brazo). Adecuado para la mayoría de las tareas de manipulación, pero notable para el trabajo de precisión.
El costo del hardware: $500 para el auricular.
Propulsión: 15-25 demostraciones por hora para la manipulación de mesa. Un poco más bajo que el líder-seguidor porque el operador carece de retroalimentación propioceptiva y hace más intentos fallidos en tareas de precisión.
Fatiga del operador: El auricular VR causa náuseas en algunos operadores después de 60-90 minutos. Planifique descansos de 15 minutos cada hora. Sesión práctica máxima: 3-4 horas al día.
** Mejor para:** Equipos con un presupuesto, tareas que no requieren precisión submilimétrica, prototipos rápidos de tuberías de recogida de datos, manipulación bruta (recolección, colocación, clasificación).
Método 3: SpaceMouse / teclado
** Cómo funciona:** El operador utiliza un SpaceMouse de 6 ejes ($ 200) o un gamepad dual analógico para controlar la velocidad del efecto final o las velocidades conjuntas.
Latencia: 1-5 ms (directo HID USB). La latencia más baja de cualquier método, pero el ancho de banda de control limitado compensa más que esta ventaja.
Portaje: 5-12 demostraciones por hora. El método más lento porque el operador no puede especificar directamente las posiciones de 6-DOF, lo que conduce a trayectorias tirantes y caminos subóptimos.
** Calidad de los datos:** Menos que todos los otros métodos. Las demostraciones son menos consistentes entre los operadores porque cada uno desarrolla su propia estrategia de control del joystick.
Es mejor para: Prototipo rápido cuando no hay otra interfaz disponible, datos de navegación de robots móviles, tareas donde la suavidad de la trayectoria del brazo no es crítica.
Método 4: Guantes Hapticos / Exosqueléto
** Cómo funciona:** El operador usa un exoesqueleto de mano o guante háptico (SenseGlove Nova 2 a $ 8.000 / par o HaptX G1 a $ 20.000 / par) que rastrea los ángulos de las articulaciones de los dedos y los mapea a una mano robótica hábil.
Propulsión: 8-15 demostraciones por hora. Las tareas dexterosas son inherentemente más lentas porque implican secuencias más complejas (agarramiento de varios dedos, rotación en la mano, colocación).
** Fatiga del operador:** Alta. Los guantes son físicamente exigentes. límite de sesión de 45 minutos con descansos de 10 minutos. límite total de sesión diaria: 4-5 horas.
** Mejor para:** Investigación de manipulación dexterosa, agarramiento de varios dedos, rotación en la mano, uso de herramientas, manipulación de prendas de vestir, cualquier tarea en la que el control del nivel de los dedos sea esencial.
Tabla de comparación
| Method | Precisión | Operator Learning Curve | Setup Cost | Demos/Hour | Ideal Task Types |
|---|---|---|---|---|---|
| Leader-Follower | Highest | 1-2 hours | $15K-$35K | 20-35 | Contact-rich, insertion, bimanual, assembly |
| VR / Quest 3 | Good | 30 min - 1 hour | $5K-$12K | 15-25 | Pick-place, sorting, packing, gross manipulation |
| SpaceMouse | Moderate | 2-4 hours | $3K-$8K | 5-12 | Prototyping, navigation, simple manipulation |
| Haptic Gloves | High (dexterous) | 3-6 hours | $25K-$55K | 8-15 | Multi-finger grasping, in-hand rotation, tool use |
Principios de diseño de episodios
Antes de recopilar una sola demostración, debe definir lo que constituye un buen episodio. El diseño de episodios deficiente es la fuente más común de esfuerzo de recopilación de datos desperdiciados.
Especificación de tareas
Escriba una descripción precisa y inequívoca de la tarea que un operador puede ejecutar consistentemente. "Coger el objeto". "Bueno: "Acepta el cubo rojo del contenedor izquierdo con un pinch grabado de arriba hacia abajo, levante a 15 cm sobre la mesa, mueva al centro del contenedor derecho y solte. El cubo debe aterrizar en posición vertical en la basura". Cuanto más específica sea su especificación de tarea, más consistentes serán sus demostraciones, y más fácil será aprender su política.
Reset de la consistencia
Definir el estado inicial de la escena con precisión. ¿Qué objetos están en la mesa? ¿Dónde están posicionados? ¿Cuál es el rango de aleatorización aceptable? ¿Cómo se posiciona el brazo robótico al comienzo de cada episodio? Si sus reset duran más de 60 segundos o implican una colocación ambigua, está perdiendo rendimiento e introduciendo ruido de distribución que degrada el entrenamiento.
Para las tareas de mesa, crea una plantilla (papel impreso con marcadores de posición o un dispositivo con guías de alineación) que los operadores utilizan para restablecer la escena.
Espacio de observación
Definir exactamente lo que la política observará en el momento de la inferencia, y registrar exactamente esas señales durante la recogida.
- ** Imágenes de la cámara:** 2-4 vistas (superhead, muñeca, lado) a 480x640 de resolución, 30 fps. Utilice Intel RealSense D405/D455 para RGB-D o cámaras USB estándar para RGB-sólo.
- Posiciones de articulación (qpos): Array flotante de ángulos de articulación a 50 Hz. Incluya la apertura del agarre como la dimensión final.
- Velocidades conjuntas (qvel): Array flotante de velocidades angulares conjuntas a 50 Hz.
- Posición de efecto final: Opcional 6-DOF (posición + orientación) a 50 Hz. Útil para las políticas cartesianas del espacio.
- Estado de pegamento: Binario (abierto/cerrado) o continuo (ancho de apertura) a 50 Hz.
No grabe señales que no utilice en el momento de la inferencia.
Espacio de acción
El espacio de acción define lo que la política predice. Para la mayoría de las políticas de manipulación en 2026, la acción es una de:
- Objetivos de posición conjunta: La opción más común para la política de ACT y difusión.
- Velocidad del efecto final: Usado por algunas políticas cartesianas del espacio.
- Posa del efecto final absoluto: Menos común pero utilizado por algunos modelos VLA.
Importante: Almacenar las acciones en el espacio conjunto siempre que sea posible. La mayoría de las políticas modernas (ACT, Política de difusión, pi-0) operan en el espacio conjunto. Almacenar las poses cartesianas como acciones requiere una solución de IK en el tiempo de entrenamiento, que es propensa a errores y añade gastos generales computacionales.
Duración del episodio
Mantenga los episodios lo más cortos posible mientras sigue completando la tarea completa.
- Primera selección y ubicación: 3-8 segundos (150-400 pasos en 50 Hz)
- Múltiple manipulación de pasos: 10-25 segundos (500-1,250 pasos en tiempo)
- Construcción compleja: 30-90 segundos (1,500-4,500 pasos en tiempo)
Los episodios largos (> 60 segundos) son más difíciles de aprender porque el problema de asignación de créditos crece exponencialmente.
¿Cuántos datos necesitas?
El número de demostraciones requeridas depende de la arquitectura de la política, la complejidad de las tareas y la tasa de éxito deseada.
| Policy Type | Episodes Needed | Evidence | Notes |
|---|---|---|---|
| ACT (Action Chunking with Transformers) | 50 - 200 | ALOHA paper: 50 demos for simple tasks, 200 for bimanual | Most data-efficient architecture for manipulation. Quality matters more than quantity. |
| Diffusion Policy | 100 - 500 | TRI: 200 demos for 94% success on trained tasks | Handles multi-modal action distributions well. Benefits from diverse demonstrations. |
| VLA Ajuste fino (pi-0, OpenVLA, RT-2) | 500 - 2,000 | OpenVLA: 1K demos for single-task fine-tuning | Pre-trained on large data, but fine-tuning still needs substantial task-specific data. |
| From-Scratch Modelo Fundamental | 5,000 - 100,000+ | RT-2: 130K demos. Open X-Embodiment: 2.2M episodes across 22 robots. | Only relevant if building a generalist model. Most teams should fine-tune instead. |
La visión crítica: 50 demostraciones de alta calidad superarán a 500 de baja calidad cada vez. Si no se puede lograr un éxito de política superior al 70% con 100 demostraciones de una tarea simple, el problema es la calidad de los datos o los errores de la tubería, no la cantidad de datos.
Formatos de datos Profundos
La elección temprana del formato de datos adecuado evita una migración dolorosa más tarde. La comunidad de robótica se ha convergido en tres formatos principales. Para una comparación técnica completa, vea nuestra guía dedicada [HDF5 vs RLDS vs LeRobot format]
HDF5 (Formatos de datos jerárquicos 5)
HDF5 es el formato más utilizado para los datos de demostración de robots. Almacena datos heterogéneos (posiciones conjuntas, imágenes, metadatos) en un solo archivo con acceso aleatorio eficiente.
** Estructura de los episodios:** Cada episodio es un grupo que contiene conjuntos de datos para observaciones, acciones y atributos de metadatos.
/episode_0/
observations/
images/
cam_high # uint8 [T x 480 x 640 x 3]
cam_wrist_left # uint8 [T x 480 x 640 x 3]
cam_wrist_right # uint8 [T x 480 x 640 x 3]
qpos # float32 [T x 14] (7 joints per arm)
qvel # float32 [T x 14]
action # float32 [T x 14] (leader arm positions)
attrs:
task = "pick_cube_bimanual"
operator_id = "op_03"
success = True
timestamp = "2026-04-10T14:32:00Z"
robot_serial = "openarm_007"
Cuándo utilizar HDF5: Como formato de colección y almacenamiento primario. Convertir a otros formatos a pedido. HDF5 es el formato más fácil de inspeccionar, tiene herramientas Python maduras (h5py, HDFView), y admite un acceso aleatorio eficiente a cualquier marco en cualquier episodio.
RLDS (Reconsolidation Learning Datasets)
El formato RLDS de Google utiliza archivos TFRecord con un esquema estandarizado. Es el formato nativo de Open X-Embodiment (2.2M+ episodios en 22 tipos de robots) y la política generalista de Octo.
Ventajas: El esquema estandarizado permite el entrenamiento entre conjuntos de datos sin adaptadores por conjunto de datos.
** Debilidades:** La dependencia de TensorFlow agrega fricción para los equipos PyTorch. patrones de acceso secuenciales (sin acceso al marco aleatorio eficiente).
Formatos de LeRobot (cara de abrazo)
Hugging Face utiliza el formato LeRobot de los archivos Parquet para los datos tablales y el video MP4 para las observaciones de la cámara.
** Fuerzas:** Carga en un solo comando en Hugging Face Hub. Visualización web integrada. Almacenamiento compacto de MP4 (5-10 veces más pequeño que HDF crudo5). Creciente comunidad con más de 300 conjuntos de datos públicos.
** Debilidades:** El codificación de MP4 es perdida
Nuestra recomendación: Recoger y almacenar en HDF5. Utilice
Lista de control de calidad
Recoger 1.000 demostraciones malas es peor que recoger 50 buenas. La calidad determina directamente el rendimiento de la política. Aquí está el marco de QC de 10 puntos que usamos en RCSV y recomendamos a cada equipo que recoge datos robóticos.
- ** Verificación del éxito de las tareas:** Cada episodio debe completar la tarea completa con éxito. Las demostraciones fallidas (objetos abandonados, capturas perdidas, trayectorias incompletas) perjudican activamente la formación de políticas. Implemente una revisión de calidad en tiempo real: un observador marca cada episodio como éxito/fallo inmediatamente después de la recogida. Objetivo: tasa de éxito de más del 95% en su conjunto de datos final.
- ** Sincronización de marcas de tiempo:** Todas las corrientes de sensores (cámaras, estados conjuntos, acciones) deben ser marcas de tiempo y sincronizadas a una tolerancia < 5 ms. Utilice cámaras activadas por hardware (impulso GPIO de estación de trabajo) y una fuente de reloj compartida (NTP cronista o IEEE 1588 PTP). Verifique registrando un evento conocido (tabla de contactos de brazos) y comprobando que todas las corrientes muestran el evento dentro de 5 ms.
- ** Consistencia de trayectoria:** Para una tarea dada, las demostraciones deben seguir estrategias similares. Si el operador A elige desde la izquierda y el operador B elige desde la derecha, la política aprende una distribución bimodal ambigua que falla en ambos casos. Defina la estrategia de enfoque, el punto de agarre y la posición de colocación antes de que comience la recogida.
- ** Diversidad de escenas:** Varias posiciones de objetos (random dentro de la caja de límites definida), instancias de objetos (3-5 por categoría), condiciones de iluminación (superficial, ángulo, oscuro) y desorden de fondo. Documente los parámetros de diversidad para cada sesión de recogida.
- ** Monitoreo de caída de fotogramas:** Las flujos de cámara deben comprobarse para detectar caídas de fotogramas. Un solo fotograma caído crea una discontinuidad temporal que confunde las políticas basadas en secuencias. Monitorear las tasas de caída de fotogramas en tiempo real. Rechazar episodios con >2% de pérdida de fotogramas e investigar la causa (ancho de banda USB, cuello de botella de cálculo).
- Constancia del estado del agarre: Valida las señales de apertura/closure del agarre en relación con la evidencia de la cámara.
- Cumplimiento de límites conjuntos: Ningún episodio debe contener posiciones conjuntas fuera del rango de operación seguro del robot. Las configuraciones de casi singularidad producen velocidades conjuntas extremas que crean valores fuera de la distribución de acción. Establezca límites conjuntos de software de 5 grados dentro de los límites del hardware.
- Limites de duración de los episodios: Definir el período mínimo y máximo de duración de los episodios para su tarea. Los episodios que sean significativamente más cortos (tarea no completada) o más largos (hesación del operador, recuperación de casi fracaso) que el rango esperado deben ser marcados para revisión.
- ** Completidad de metadatos:** Cada episodio necesita: nombre de tarea, ID del operador, timestamp, número de serie del robot, configuración de la cámara, etiqueta de éxito/fallo y notas de texto libre para anomalías.
- Consistencia entre operadores: Si se utilizan múltiples operadores, comparar las distribuciones de trayectorias entre operadores semanalmente. Un operador cuyas demostraciones se desvían significativamente del consenso debe ser retratado o excluido.
Escalado desde el piloto hasta la producción
El camino desde un conjunto de datos de prueba de concepto hasta datos a escala de producción requiere una inversión deliberada en infraestructura en cada etapa.
Etapa 1: Prueba de concepto (50 episodios)
Un operador, un robot, una tarea. El objetivo es validar su configuración de teleoperación, pipeline de datos y código de capacitación. Entrenar un modelo de política de ACT o difusión sobre estos datos y evaluar en el robot real. Si no puede obtener un 70% + de éxito con 50 demostraciones de una tarea simple, el problema es la calidad de datos o errores de pipeline, no la cantidad de datos. No recopile más datos hasta que arregle la causa raíz.
Líneas de tiempo: 1-3 días. Costo (interno): $200- $500 en tiempo del operador.
Fase 2: Formación inicial (200 episodios)
Añadir un segundo operador para validar que el protocolo de recogida es independiente del operador. Implementar controles de calidad automatizados: límites de longitud de episodio, violaciones de límites conjuntos, clasificación de éxito/fallo. Comience a rastrear métricas de calidad de manera sistemática. Esta es la etapa en la que debe ver el 80-90% + de éxito de políticas en tareas simples.
**Líneas de tiempo: ** 1-2 semanas. ** Costo (interno): ** $600- $1,500 en tiempo del operador.
Etapa 3: Política de producción (1.000 episodios)
En esta escala, la gestión del operador se convierte en el cuello de botella: reclutar, capacitar y retener a 4-8 operadores que puedan mantener una calidad constante durante semanas.
Inversiones clave:
- ** Mecanismos de restablecimiento automático:** Reducir los 15 a 60 segundos de restablecimiento manual de escenas. Incluso ahorrar 15 segundos por episodio en 1.000 episodios ahorra más de 4 horas de tiempo del operador.
- Dashboards de calidad en tiempo real: Descarga por estación, tasas de éxito y métricas de calidad visibles para los operadores y supervisores.
- ** Calibración estandarizada:** Con varias estaciones, el extrínseco de la cámara y la calibración de la base del robot deben estar estandarizados.
Linea de tiempo: 2-4 semanas con 2 estaciones. Costo (interno): $3,000-$8,000 en tiempo del operador, $30K-$100K en hardware.
Etapa 4: Contribución modelo de la Fundación (10.000 episodios más)
En esta escala, está construyendo un conjunto de datos de base. Considere contribuir a conjuntos de datos abiertos (Open X-Embodiment, DROID) para beneficio de la comunidad e impacto de citación. Utilice el formato RLDS o LeRobot para la interoperabilidad. Inverte en la ontología de tareas y en los estándares de metadatos para que su conjunto de datos sea navegable y reutilizable en grupos de investigación.
**Líneas de tiempo: ** 2-6 meses con 4 estaciones. ** Costo (interno): ** $ 15,000- $ 50,000+ en tiempo de operador.
O: [contratar RCSV para recoger en cualquiera de estas etapas]
Calculador de costes: en casa frente al RCSV
Comprender el verdadero costo de la recopilación de datos ayuda a los equipos a tomar decisiones informadas de construcción frente a compra. Aquí hay una comparación realista para una campaña de una sola tarea de 500 episodios.
| Cost Category | In-House | RCSV Managed |
|---|---|---|
| Hardware (robot + teleop + cameras + compute) | $15,000 - $35,000 | $0 (included) |
| Infrastructure setup (workspace, calibration, software) | $2,000 - $5,000 | $0 (included) |
| Operator recruitment and training | $1,000 - $3,000 | $0 (included) |
| Operator labor (500 episodes at 20 demos/hr, $35/hr) | $875 | Included in campaign price |
| QA and quality review | $500 - $1,500 | $0 (included) |
| Engineer time (pipeline, debugging, monitoring) | $5,000 - $15,000 | $0 |
| Total | $24,375 - $60,375 | $8,000 - $15,000 |
| Effective cost per episode | $49 - $121 | $16 - $30 |
Los costos internos incluyen hardware amortizado durante una sola campaña de 500 episodios. Si planeas recopilar más de 5,000 episodios en 12 meses, la casa se vuelve más económica a escala. Para campañas únicas o iniciales, la recopilación gestionada es típicamente 2-4 veces más rentable cuando se tiene en cuenta el tiempo de ingeniería y el costo de oportunidad.
7 errores comunes que cometen los equipos al recopilar su primer conjunto de datos
Después de trabajar con docenas de equipos en sus primeras campañas de recopilación de datos, vemos los mismos errores repetidamente. Evite estos y ahorrará semanas de esfuerzo perdido.
- Recolección de datos antes de validar la línea de entrenamiento. Los equipos compran hardware, recogen 500 episodios, luego descubren que su código de entrenamiento tiene un error que hace que todos los datos sean inutilizables. Siempre entrenen en 10-20 episodios de prueba primero. Validen que su línea de entrenamiento produce una política que mueve el robot de manera sensata (incluso si falla la tarea) antes de invertir en escala.
- ** Ignorar la formación del operador.** Un operador no capacitado produce 3-5 veces peores datos que un operador capacitado. Las primeras 20 demostraciones de un nuevo operador deben considerarse datos de calibración y desecharse. Invertir 2-4 horas en la formación del operador antes de cualquier recopilación de datos de producción.
- ** Reset incoherentes.** Si la escena no se restablece de forma consistente entre episodios, la política aprende una distribución que incluye estados de inicio arbitrarios. Esto aumenta dramáticamente los datos necesarios para aprender una política robusta.
- No monitorear la calidad en tiempo real. Los equipos a menudo recopilan un conjunto completo de datos, luego descubren que los últimos 200 episodios tenían una cámara que cambió de posición, o un sensor de agarre que comenzó a producir señales fantasma.
- Registrar en el espacio de acción incorrecto. Recoger el efecto final cartesiano se produce cuando su póliza espera posiciones conjuntas (o viceversa) significa volver a procesar o recoger todo. Decide sobre su espacio de acción antes de recogerlo, y valida que el formato de acción registrado coincida exactamente con su código de entrenamiento.
- Subestimar la diversidad de escena. Una política entrenada en demostraciones con el objeto siempre en la misma posición fallará cuando el objeto está a 5 cm a la izquierda.
- Salvar metadatos. "Agregaremos metadatos más tarde" significa "nunca agregaremos metadatos". Registra el nombre de la tarea, ID del operador, timestamp, serie del robot, configuración de la cámara y etiqueta de éxito/fallo en cada episodio. Esto cuesta 10 segundos por episodio y evita días de confusión más tarde.
Deja que el RCSV recopile tus datos de entrenamiento
El Centro de Robótica de Silicon Valley opera infraestructura de recopilación de datos dedicada para equipos de ML que necesitan datos de demostración de robots de alta calidad sin construir su propia tubería de recopilación.
- Recolección de datos administrada: Desde los pilotos de 50 episodios hasta las campañas de más de 10.000 episodios. Usted especifica la tarea; entregamos el conjunto de datos en formato HDF5, RLDS o LeRobot.
- Paquetes de hardware: Estaciones de recogida de datos preconfiguradas (OpenArm + cámaras + computación + software) listas para ser desplegadas en su laboratorio.
- Abrir conjuntos de datos: Explore nuestra biblioteca de conjuntos de datos de manipulación de robots disponibles al público.
- ** Plataforma de datos:** Subir, visualizar, evaluar y exportar sus conjuntos de datos a través de la Plataforma RCSV Fearless.
¿Necesitas datos de robots recogidos?
RCSV opera instalaciones de recopilación de datos de varias estaciones con operadores capacitados, tuberías de calidad y respuesta rápida.
[Servicios de datos] [