מה הופך את רובוט הנתונים למוכן

ברובוטיקה, מערך נתונים מוכן ללמידה כאשר צוות דוגמנות יכול לאמן ולהעריך מדיניות מבלי לבנות מחדש את צינור הנתונים מאפס - ומבלי לגלות "חותמות זמן" מאוחרות (חותמות זמן חסרות, כיול נסחף, סמנטיקה לא מתאימה, איפוסים לא עקביים) המבטלות תוצאות בשקט.

זה חשוב מכיוון שנתוני רובוטיקה שונים מהותית ממערכי נתונים קלאסיים של ML. הוא רב-מודאלי, זמני, אפיזודי, ולעתים קרובות בעל מימד גבוה: תצוגות מצלמה מרובות, מצב רובוט, כוחות, אותות מישוש, כניסות מפעיל ועוד. "ערימה של יומנים" גדולה עדיין יכולה להיות בלתי שמישה ללימוד חיקוי, RL לא מקוון או מודלים של בסיס אם הסמנטיקה והסנכרון לא מתוכננים מראש.

הגדרה מעשית

נתוני רובוט מוכנים ללמידה הם נתוני אינטראקציה מבוססי-אפיזודות שהתצפיות, הפעולות והסמנטיקה של המשימות שלהם (א) עקביות בזמן, (ב) מודעות לכיול, (ג) מתועדות היטב ו-(ד) מאומתות מקצה לקצה, כך שקוד אימון במורד הזרם צורכת אותו כתיעוד נאמן של מה שקרה בחומרה.

מבנה מערך הנתונים התואם את האופן שבו לומדים מדיניות

לפרקים חייבים להיות: מצב התחלה ידוע, הגדרת סיום עקבית, גבולות צעד ברורים. הגדרות תצפית ופעולה חייבות להיות מפורשות: מצב בקרה, מסגרות קואורדינטות, יחידות, סמנטיקה של משימות. הגדרת המשימות היא ממדרגה ראשונה: מזהי משימות, תיאורי שפות, תצורת סצנה, קריטריוני הצלחה.

סנכרון זמן וכיול

עבור לימוד רובוט, זמן הוא פיקוח. מסגרות מצלמה, מצבים משותפים ופעולות חייבות להתאים לאותו רגע. הכיול הוא מרכזי באותה מידה - המרכיבים הפנימיים והחיצוניים של המצלמה מגדירים כיצד פיקסלים קשורים לעולם הפיזי. אם התזמון והכיול אינם אמינים, גם מערך הנתונים אינו מהימן.

כיסוי, כישלון וקלט אנושי

מערכי נתונים מוכנים ללמידה מיועדים לסיקור: גיוון בין סצנות, כשל והתאוששות כפיקוח, קלט אנושי כאותות ממדרגה ראשונה. החלקות, החמצות, תיקונים וניסיונות חוזרים אינם רעש - הם אותות חיוניים לחוסן.

איך אנחנו ניגשים לזה

שירות איסוף הנתונים שלנו בנוי באופן מפורש סביב דרישות מוכנות ללמידה: לכידה מסונכרנת מולטי-מודאלית, זרימות עבודה של טל-פעולה אנושית בתוך הלולאה, עיצוב מערכי נתונים מונחה משימות, QA ואימות מקצה לקצה, תיעוד ברור ומגבלות מוצהרות לפני מסירה.