Рабочий процесс
Цикл данных – от неудачи к обучению
Мы не просто собираем данные. Замыкаем цикл: реальный эпизод в структурированный пакет для тестирования, прогон до отказа, воспроизведение, чтобы вернуться к обучению. Когда роботы выходят из строя, мы извлекаем пакеты ошибок, такие как ключевые кадры, фрагменты контактов и траектории коррекции, а затем вводим их в следующую версию политики. Неудачи становятся активами.
Это то, что отличает нас от поставщиков общих данных: мы работаем на пересечении настоящее оборудование, контроль на основе обучения, и стандарты данных исследовательского уровня. Наша команда разбирается как в робототехнических системах, так и в конвейерах машинного обучения.
Покрытие
Что мы собираем
Мы специализируемся на мультимодальных, синхронизированных роботизированных наборах данных, полученных с реального оборудования в контролируемых и полуструктурированных средах.
- ЗрениеПотоки RGB, RGB-D и многоракурсной камеры согласованы с состоянием и управлением робота.
- ПроприоцепцияПоложение сустава, скорость, крутящий момент, токи двигателя и сигналы управления низкого уровня.
- Силовое и тактильноеСила конечного эффектора, тактильные массивы, расположение контакта, давление и сдвиг.
- Человеческий вкладКоманды телеоперации, демонстрационные траектории и корректирующие действия.
- Контекст средыКонфигурация сцены, метаданные объекта, параметры задачи и границы эпизода.
Все методы синхронизированы по времени, структурированы и проверены перед доставкой.
Режим сбора
Телеоперация «человек в цикле»
Для задач манипулирования и обучения навыкам мы используем системы телеоперации с участием человека, чтобы фиксировать демонстрации, которые отражают реальные человеческие намерения, корректирующее поведение и адаптацию при контакте.
- Антропоморфные карты управления для интуитивно понятных демонстраций
- Компенсация гравитации и соблюдение требований в реальном времени
- Безопасная эксплуатация в случаях контакта и отказа
- Повторяемые процедуры инициализации и сброса задач
Дизайн программы
Проектирование набора данных на основе задач
Мы не собираем неструктурированные сырые журналы. Каждый проект начинается с четкого проектирования задачи и набора данных: определение задачи, критерии успеха, характеристики состояния/действия/наблюдения, сегментация эпизодов, охват датчиков и режимы сбоя. Результат можно напрямую использовать для обучения, оценки и сравнительного анализа.