क्या चीज़ रोबोट डेटा को सीखने के लिए तैयार बनाती है?

रोबोटिक्स में, एक डेटासेट सीखने के लिए तैयार होता है जब एक मॉडलिंग टीम डेटा पाइपलाइन को खरोंच से पुनर्निर्माण किए बिना नीतियों को प्रशिक्षित और मूल्यांकन कर सकती है - और देर-चरण "गॉचचा" (लापता टाइमस्टैम्प, बहती अंशांकन, बेमेल कार्रवाई शब्दार्थ, असंगत रीसेट) की खोज किए बिना जो चुपचाप परिणामों को अमान्य कर देती है।

यह मायने रखता है क्योंकि रोबोटिक्स डेटा क्लासिक एमएल डेटासेट से मौलिक रूप से अलग है। यह मल्टी-मोडल, टेम्पोरल, एपिसोडिक और अक्सर उच्च-आयामी है: एकाधिक कैमरा दृश्य, रोबोट स्थिति, बल, स्पर्श संकेत, ऑपरेटर इनपुट और बहुत कुछ। यदि शब्दार्थ और सिंक्रनाइज़ेशन को अग्रिम रूप से इंजीनियर नहीं किया गया है, तो एक बड़ा "लॉग का ढेर" अभी भी अनुकरण सीखने, ऑफ़लाइन आरएल, या फाउंडेशन मॉडल के लिए अनुपयोगी हो सकता है।

व्यावहारिक परिभाषा

सीखने के लिए तैयार रोबोट डेटा एपिसोड-आधारित इंटरैक्शन डेटा है जिसका अवलोकन, क्रियाएं और कार्य शब्दार्थ (ए) समय-संगत, (बी) अंशांकन-जागरूक, (सी) अच्छी तरह से प्रलेखित, और (डी) एंड-टू-एंड मान्य हैं, इसलिए डाउनस्ट्रीम प्रशिक्षण कोड इसे हार्डवेयर पर क्या हुआ, इसके एक विश्वसनीय रिकॉर्ड के रूप में उपभोग करता है।

डेटासेट संरचना जो नीतियों के सीखने के तरीके से मेल खाती है

एपिसोड में यह होना चाहिए: ज्ञात प्रारंभ स्थिति, सुसंगत समाप्ति परिभाषा, स्पष्ट चरण सीमाएँ। अवलोकन और क्रिया परिभाषाएँ स्पष्ट होनी चाहिए: नियंत्रण मोड, समन्वय फ़्रेम, इकाइयाँ, कार्य शब्दार्थ। कार्य की परिभाषा प्रथम श्रेणी है: कार्य आईडी, भाषा विवरण, दृश्य विन्यास, सफलता मानदंड।

समय तुल्यकालन और अंशांकन

रोबोट सीखने के लिए, समय पर्यवेक्षण है। कैमरा फ़्रेम, संयुक्त स्थिति और क्रियाएं एक ही क्षण के अनुरूप होनी चाहिए। कैलिब्रेशन समान रूप से केंद्रीय है-कैमरा आंतरिक और बाहरी यह परिभाषित करते हैं कि पिक्सेल भौतिक दुनिया से कैसे संबंधित हैं। यदि समय और अंशांकन भरोसेमंद नहीं हैं, तो डेटासेट भी भरोसेमंद नहीं है।

कवरेज, विफलता, और मानव इनपुट

सीखने के लिए तैयार डेटासेट कवरेज के लिए डिज़ाइन किए गए हैं: दृश्यों में विविधता, पर्यवेक्षण के रूप में विफलता और पुनर्प्राप्ति, प्रथम श्रेणी संकेतों के रूप में मानव इनपुट। फिसलन, छूटी पकड़, सुधार और पुनः प्रयास शोर नहीं हैं - वे मजबूती के लिए आवश्यक संकेत हैं।

हम इस तक कैसे पहुँचते हैं

हमारी डेटा संग्रह सेवा स्पष्ट रूप से सीखने के लिए तैयार आवश्यकताओं के आसपास बनाई गई है: मल्टीमॉडल सिंक्रनाइज़ कैप्चर, मानव-इन-द-लूप टेलीऑपरेशन वर्कफ़्लो, कार्य-संचालित डेटासेट डिज़ाइन, एंड-टू-एंड क्यूए और सत्यापन, स्पष्ट दस्तावेज़ीकरण और डिलीवरी से पहले बताई गई सीमाएं।