Dobb-E para Web Apps

Dobb-E es un marco innovador de código abierto diseñado para mejorar las capacidades de los robots domésticos a través del aprendizaje por imitación. Este sistema aborda las limitaciones comunes en la robótica doméstica utilizando una herramienta asequible y fácil de usar llamada Stick. Construido a partir de un stick de agarre de $25, componentes impresos en 3D y un iPhone, el Stick facilita la recopilación de valiosos datos de demostración. El marco aprovecha un conjunto de datos integral conocido como Homes of New York (HoNY), que contiene 13 horas de interacciones de 22 hogares diferentes, enriquecido con videos RGB y de profundidad y anotaciones de acción detalladas.

El núcleo de la funcionalidad de Dobb-E radica en su capacidad para entrenar un modelo de aprendizaje de representación llamado Home Pretrained Representations (HPR), basado en la arquitectura ResNet-34. Este modelo emplea aprendizaje auto-supervisado para dotar a los robots de las habilidades necesarias para realizar nuevas tareas en entornos desconocidos. Con una impresionante tasa de éxito promedio del 81% en la resolución de tareas novedosas en 15 minutos, Dobb-E proporciona acceso a modelos preentrenados, código y documentación completa a través de GitHub, junto con un artículo de investigación que detalla su metodología.