كنت أعتقد دائمًا أنه بمجرد تعلم الروبوتات التقاط الأشياء، يمكنهم ببساطة نقل نفس الإجراءات إلى آلة أخرى. لكن بعد مشاهدة تجارب Axis وBooster، أدركت أنني كنت أبسط الأمور كثيرًا. سيتمكن Franka من التقاط علبة سماعات، لكن عند التحول إلى Booster، من المحتمل أن تصبح حركات السابق غير فعالة تمامًا. طول الذراعين، وعدد المفاصل، وزوايا الكاميرا، والمشابك مختلفة بين الآليتين. كما أن Booster يمتلك هيكلًا ذراعين مزدوجين، وكل ذراع له 7 درجات حرية. يجب على النموذج أن يتكيف ليس فقط مع المشاهد الجديدة، بل أيضًا أن يتعلم كيفية التحكم في هذا الجسم الجديد. في الماضي، كان على المهندسين الجلوس بجانب الروبوتات المادية وجمع البيانات عن بعد مرارًا وتكرارًا. وكان عدد الآلات محدودًا، وكلما تغير المشهد أو المواد، كان يجب جمع بيانات جديدة. قامت @axisrobotics هذه المرة بمحاكاة طاولة عمل Booster الحقيقية في بيئة افتراضية، ثم نقلت المهمة إلى المتصفح لتمكين مستخدمين من مناطق مختلفة من المساعدة في التشغيل. ستتغير مواقع العناصر والإضاءة وزوايا الرؤية والخلفية باستمرار، وتم في النهاية ترشيح 42,046 مسارًا افتراضيًا لتدريب Booster على استراتيجية أساسية أكثر ملاءمة لهيكله الخاص. بيانات اختبار علبة السماعات واضحة جدًا. عندما استُخدمت فقط 10 عروض حقيقية، فشل الروبوت في لمس الهدف خلال 20 تجربة متتالية. وبعد إضافة 50 مسارًا افتراضيًا مكافئة، نجح الروبوت في لمس علبة السماعات في 17 من أصل 20 تجربة، ونجح في التقاطها 6 مرات، منها مرتين تم رفعها بنجاح. في مجموعة اختبار أخرى، تجاوزت استراتيجية Booster المُدرَّبة مسبقًا بهذه البيانات أداء النموذج الأصلي π₀.₅ الذي استخدم 60 عرضًا حقيقيًا، مع استخدام 30 عرضًا حقيقيًا فقط لكل مهمة. هذه التجارب غطت فقط بعض المهام المحددة في الاختبار الرسمي، ولا يمكن حاليًا تعميمها على آلات أخرى أو مشاهد معقدة. لكنها ساعدتني على فهم الغرض من جمع هذه البيانات من قبل Axis: أولاً التدريب في البيئة الافتراضية على تحديد الأهداف وضبط الزوايا والاقتراب من العناصر، ثم استخدام عدد قليل من العمليات الحقيقية لتعويض اللمس والتقاط الفعلي عند الانتقال إلى الروبوت المادي. بالطبع، المسارات التي نُكملها في قاعة المهام لا تُضاف مباشرة إلى مجموعة تدريب Booster. يجب إعادة تشغيل البيانات وترشيحها وتحويل تنسيقها والتأكد من توافقها مع الآلة المقابلة. في الماضي، كنت أركز فقط على النقاط والدرجات بعد إكمال المهام. الآن، ألاحظ أكثر ما إذا كانت حركاتي غير مستقرة أو إذا كانت مسارات التقاطي نظيفة. بعد تغيير جسم الروبوت، هل يمكن تقليل بيانات التدريب الحقيقية بنسبة النصف؟ هذا يعتمد حقًا على جودة هذه المسارات. يمكنك تجربة البدء بالمهمات البسيطة. بعد إكمال المهمة بنجاح، تأكد من الذهاب إلى Portfolio لإكمال التوقيع الأساسي: https://t.co/Bo1luv9UkN