원시 로그가 아닌 사용 가능한 데이터가 필요한 팀을 위해 구축됨
우리는 로봇 공학 및 AI 팀이 조작, 접촉이 많은 작업 및 인간-로봇 상호 작용에 중점을 두고 학습 기반 시스템을 위한 대규모의 고품질 실제 상호 작용 데이터를 수집하도록 돕습니다.
우리의 워크플로우는 모방 학습 모델, 강화 학습 시스템, 물리적 AI용 기초 모델을 구축하는 팀을 위해 설계되었습니다. 데이터 품질, 일관성 및 재현성 원시 볼륨보다 더 중요합니다.
데이터 루프 - 실패에서 훈련까지
우리는 단지 데이터를 수집하는 것이 아닙니다. 루프를 닫습니다. 실제 에피소드에서 구조화된 패킷으로, 벤치마크로, 실행에서 실패로, 다시 훈련으로 재생. 로봇이 실패하면 키프레임, 접촉 슬라이스, 수정 궤적과 같은 실패 패킷을 추출한 후 다음 정책 버전에 공급합니다. 실패는 자산이 됩니다.
이것이 우리가 일반 데이터 공급업체와 다른 점입니다. 우리는 다음과 같은 교차점에서 운영합니다. 실제 하드웨어, 학습 기반 제어, 그리고 연구 등급 데이터 표준. 우리 팀은 로봇 시스템과 ML 파이프라인을 모두 이해하고 있습니다.
우리가 수집하는 것
우리는 제어된 환경과 반구조화된 환경의 실제 하드웨어에서 캡처한 다중 모드, 동기화된 로봇 데이터 세트를 전문으로 합니다.
- 비전RGB, RGB-D 및 다중 뷰 카메라 스트림은 로봇 상태 및 제어에 맞춰 조정됩니다.
- 고유감각관절 위치, 속도, 토크, 모터 전류 및 낮은 수준의 제어 신호.
- 힘과 촉각엔드 이펙터 힘, 촉각 배열, 접촉 위치, 압력 및 전단.
- 인간의 입력원격조작 명령, 시연 궤적 및 시정 조치.
- 환경 맥락장면 구성, 개체 메타데이터, 작업 매개변수 및 에피소드 경계.
모든 양식은 배송 전에 시간 동기화, 구조화 및 검증됩니다.
인간 참여형(Human-in-the-Loop) 원격 조작
조작 및 기술 학습 작업을 위해 우리는 실제 인간 의도, 교정 행동 및 접촉 시 적응을 반영하는 데모를 캡처하기 위해 인간 참여형 원격 조작 시스템을 배포합니다.
- 직관적인 시연을 위한 의인화된 제어 매핑
- 실시간 중력 보상 및 규정 준수
- 접촉 및 고장시 안전한 작동
- 반복 가능한 작업 초기화 및 재설정 절차
작업 중심 데이터 세트 설계
우리는 구조화되지 않은 원시 로그를 수집하지 않습니다. 각 프로젝트는 작업 정의, 성공 기준, 상태/작업/관찰 사양, 에피소드 분할, 센서 적용 범위 및 포함할 실패 모드 등 명시적인 작업 및 데이터 세트 설계로 시작됩니다. 결과는 교육, 평가, 벤치마킹에 직접 사용할 수 있습니다.