Geliştiriciler artık NVIDIA Cosmos3-DROID veri setini yerel olarak 707 GB'lık devasa deposunu indirmeden, uçtan uca akış tabanlı bir robotik öğrenme boru hattı tasarlayabilir. Yöntem, LeRobotDataset v3.0 yapısını inceleyerek bir meta veri grafiği oluşturur ve PyArrow ile HTTP bayt‑aralığı erişimini kullanarak Parquet satır gruplarını ve sütunlarını seçici olarak okur.
Bireysel bölümleri durum‑eylem izlerine dönüştürerek, mühendisler eklem hareketlerini, kavrama olaylarını, Kartezyen uç‑efektör yollarını ve eylem‑frekans spektrumlarını analiz edebilir; ardından yalnızca gerekli AV1 video pencerelerini seek tabanlı PyAV veya FFmpeg erişimiyle çözerler. Çerçeve daha sonra gözlemleri ve eylemleri veri seti istatistikleriyle normalleştirir, isteğe bağlı görsel koşullandırma ile ACT tarzı parçalı bir PyTorch veri seti oluşturur ve çok‑modlu davranış taklit politikası eğitir.
Son olarak, öğrenilen politika zaman içinde toplu eylem parçalarıyla açık döngü yürütmeleriyle değerlendirilir; her eklem için ortalama kare hatası ve R‑kare metrikleri, ortalama eylem temeline karşı raporlanır. Bu yaklaşım, yerel depolama kısıtlamaları olmadan verimli robotik eğitim ve politika değerlendirmesini mümkün kılar.
Neden Önemli: Bu akış yaklaşımı, bayt‑aralığı erişimi ve seçici kod çözmeyi kullanarak robotik makine öğrenimi iş akışlarındaki devasa yerel depolama darboğazlarını ortadan kaldırır.