基于学习的机器人技术的数据收集

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。 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。

我们收集什么

我们专注于多模态、同步机器人数据集：视觉（RGB、RGB-D、多视图）、本体感觉（关节状态、扭矩、控制信号）、力和触觉（末端执行器力、分布式触觉阵列）、人类输入（远程操作命令、纠正动作）和环境上下文（场景配置、任务参数、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。

任务驱动的数据集设计

我们不收集没有结构的“原始日志”。 每个项目都从明确的任务和数据集设计开始：任务定义和成功标准、状态/动作/观察规范、事件分段和终止条件、所需的传感器覆盖范围和采样率以及有意包含的故障模式。 这确保了生成的数据集可直接用于训练、评估和基准测试。

人在环远程操作

为了进行操作和技能学习，我们部署了人机交互远程操作系统。 我们的工作流程支持拟人化控制映射、实时重力补偿和合规性、接触和故障情况下的安全操作以及可重复的任务初始化。 这种方法对于模仿学习、数据集引导和捕获恢复行为特别有效。

数据集结构和交付

收集的数据被组织成基于情节的数据集，其中包含每集元数据、时间索引的多模式观测、控制命令和机器人状态以及可选注释。 我们支持以可学习的张量格式、ROS/机器人本机格式以及与客户培训管道一致的自定义模式进行交付。

为什么选择硅谷机器人中心

与通用数据供应商或注释平台不同，我们在真实的机器人硬件、基于学习的控制系统和研究级数据标准的交叉点上运作。 我们的团队了解机器人系统和机器学习管道。