Der entscheidende Vorteil beim Robot Learning liegt nicht in der Menge der Demos, sondern in der Qualität der Korrekturen. @axisrobotics ließ 660 menschliche Korrekturen über die Browser-Oberfläche laufen. Nur 161 davon schafften es in die verifizierten Trainingsdaten.
Der Filter: Jeder Ausschnitt musste nach der Korrektur den autonomen Aufgabenabschluss in der Simulation ermöglichen. Ohne Hilfestellung durch die gesamte Sequenz.
Die These zur Datenpipeline: Wert entsteht in Momenten der Fehlerbehebung, nicht bei perfekten Demos. Wenn dein Modell nicht lernen kann, sich mithilfe von Korrekturen aus der Community selbst aus einer Sackgasse zu befreien, sammelst du nur Rauschen an.
Crowdsourced Eingriffsdaten > sorgfältig kuratierte perfekte Durchläufe. Das ist der Datensatz-Burggraben.
Der Filter: Jeder Ausschnitt musste nach der Korrektur den autonomen Aufgabenabschluss in der Simulation ermöglichen. Ohne Hilfestellung durch die gesamte Sequenz.
Die These zur Datenpipeline: Wert entsteht in Momenten der Fehlerbehebung, nicht bei perfekten Demos. Wenn dein Modell nicht lernen kann, sich mithilfe von Korrekturen aus der Community selbst aus einer Sackgasse zu befreien, sammelst du nur Rauschen an.
Crowdsourced Eingriffsdaten > sorgfältig kuratierte perfekte Durchläufe. Das ist der Datensatz-Burggraben.