RAV-10 / P-161: SYNTHETIC TRAJECTORY DATA ENGINE

1. Bài toán (Problem Statement)

• Chi phí & Thời gian: Thu thập dữ liệu thao tác (manipulation trajectory) trên robot thật tốn kém chi phí phần cứng, nhân lực vận hành và thời gian scale dữ liệu tuyến tính.
• Hạn chế kịch bản & Rủi ro vật lý: Khó mở rộng độ đa dạng của môi trường (lighting, object pose); việc cố tình tạo các tình huống lỗi (failure cases, edge cases) dễ gây hỏng thiết bị phần cứng.
• Chất lượng dataset: Thiếu cơ chế tự động sàng lọc, phân loại nhãn và kiểm định dữ liệu bất thường trước khi đưa vào pipeline huấn luyện mô hình.

2. Giải pháp kỹ thuật (Technical Solution)

• Kiến trúc luồng: Task Config $\rightarrow$ Simulation $\rightarrow$ Trajectory Recording $\rightarrow$ Automatic Validation $\rightarrow$ Human-in-the-Loop $\rightarrow$ Dataset Catalog & Export.
• Mô phỏng & Điều khiển: Môi trường MuJoCo điều khiển cánh tay Franka Panda thông qua Waypoint Planning kết hợp Closed-loop Inverse Kinematics (IK) đảm bảo tính ổn định và deterministic.
• Ghi & Kiểm định dữ liệu:
  • Thu thập dữ liệu đa phương thức: RGB, Depth, Joint States, End-effector Pose, Actions và Timestamps.
  • Tự động gán nhãn trạng thái vận hành: PASS, FAIL_GRASP, FAIL_COLLISION, FAIL_WORKSPACE.
• Quản trị & Đóng gói: Web Dashboard hỗ trợ Human Reviewer duyệt/loại bỏ trajectory; quản lý qua SQLite và xuất chuẩn định dạng dataset.

3. Tính khả thi (Feasibility)

• Tech Stack: Xây dựng trên các công cụ chuẩn công nghiệp mã nguồn mở (MuJoCo, Python, SQLite).
• Tối ưu hạ tầng (CPU-first): Toàn bộ pipeline sinh dữ liệu và giải IK vận hành hiệu quả trên CPU, giảm thiểu chi phí phần cứng tính toán ở giai đoạn MVP.
• Thiết kế phân lớp (Decoupled): Tách biệt độc lập giữa Task Generator, Controller, Validator, Data Logger và Web UI giúp dễ bảo trì và mở rộng.

4. Hướng phát triển (Roadmap)

• Thu hẹp Sim-to-Real Gap: Tích hợp Domain Randomization sâu (ma sát, ánh sáng, texture) và đưa pipeline Perception (YOLO + Depth Localization) thay thế Ground Truth Pose.
• Tự động phát hiện các vùng không gian làm mô hình fail để sinh dữ liệu bù đắp có chủ đích (targeted data generation).