专为需要可用数据而不是原始日志的团队而构建
我们帮助机器人和人工智能团队为基于学习的系统收集大规模、高质量的现实世界交互数据，重点关注操纵、接触丰富的任务和人机交互。
我们的工作流程专为构建模仿学习模型、强化学习系统和物理人工智能基础模型的团队而设计，其中 数据质量、一致性和再现性 比原始体积更重要。
数据循环 - 从失败到训练
我们不只是收集数据。 我们关闭循环： 真实事件到结构化数据包到基准测试运行到故障回放到返回训练。 当机器人发生故障时，我们提取关键帧、接触切片和校正轨迹等故障数据包，然后将它们输入到下一个策略版本中。 失败变成资产。
这就是我们与通用数据供应商的不同之处：我们的运营处于交叉点 真正的硬件, 基于学习的控制， 和 研究级数据标准。 我们的团队了解机器人系统和机器学习管道。
我们收集什么
我们专注于从受控和半结构化环境中的真实硬件捕获的多模式、同步机器人数据集。
- 想象RGB、RGB-D 和多视图相机流与机器人状态和控制保持一致。
- 本体感觉关节位置、速度、扭矩、电机电流和低电平控制信号。
- 力和触觉末端执行器力、触觉阵列、接触位置、压力和剪切力。
- 人力投入远程操作命令、演示轨迹和纠正措施。
- 环境背景场景配置、对象元数据、任务参数和情节边界。
所有模式在交付前均经过时间同步、结构化和验证。
人在环远程操作
对于操作和技能学习任务，我们部署了人机循环远程操作系统来捕获反映真实人类意图、纠正行为和接触下适应的演示。
- 用于直观演示的拟人化控制映射
- 实时重力补偿和合规性
- 接触和故障情况下的安全操作
- 可重复的任务初始化和重置过程
任务驱动的数据集设计
我们不收集非结构化原始日志。 每个项目都从明确的任务和数据集设计开始：任务定义、成功标准、状态/操作/观察规范、事件分段、传感器覆盖范围和要包含的故障模式。 结果可直接用于培训、评估和基准测试。