डेटा संग्रहण

ओपनआर्म को न केवल एक रोबोटिक हेरफेर प्लेटफॉर्म के रूप में डिज़ाइन किया गया है, बल्कि एक के रूप में भी डेटा-मूल प्रणाली सीखने-आधारित रोबोटिक्स के लिए। नियतात्मक औद्योगिक स्वचालन के लिए अनुकूलित पारंपरिक रोबोटिक हथियारों के विपरीत, ओपनआर्म को अनुकरण सीखने, सुदृढीकरण सीखने, सिम-टू-रियल ट्रांसफर और बड़े पैमाने पर वास्तविक दुनिया डेटा संग्रह की आवश्यकताओं के आसपास तैयार किया गया है।

डेटा कैप्चर आर्किटेक्चर

ओपनआर्म संयुक्त राज्यों, नियंत्रण आदेशों, अंत-प्रभावक राज्यों और बाहरी सेंसर (दृष्टि, स्पर्श, बल, आईएमयू) के सिंक्रनाइज़ कैप्चर का समर्थन करता है। सभी डेटा स्ट्रीम नियंत्रण लूप स्तर पर टाइमस्टैम्प और संरेखित हैं। डेटा को स्पष्ट कार्य आरंभीकरण, कार्रवाई निष्पादन, संपर्क घटनाओं और समाप्ति के साथ एपिसोड में व्यवस्थित किया जाता है - सीधे आरएल रोलआउट और अनुकरण सीखने के प्रक्षेपवक्र के लिए मैपिंग।

डेटा के रूप में विफलता

ओपनआर्म को केवल सफलताओं के लिए ही नहीं, बल्कि विफल प्रयासों को भी सुरक्षित रूप से रिकॉर्ड करने के लिए डिज़ाइन किया गया है। विफलता प्रक्षेप पथ - फिसलन, गलत समझ, टकराव, पुनर्प्राप्ति प्रयास - मजबूत नीति सीखने और सामान्यीकरण के लिए प्रथम श्रेणी के डेटा महत्वपूर्ण हैं।

सीखने के लिए तैयार आउटपुट

संरचित रिकॉर्डिंग, अनुकरण शिक्षण डेटासेट, दोहराए जाने योग्य मानव प्रदर्शन, सिम-टू-वास्तविक संरेखण। प्रति-एपिसोड मेटाडेटा, समय-अनुक्रमित मल्टीमॉडल अवलोकन और सुसंगत एक्शन स्पेस के साथ एपिसोड-आधारित संगठन।