[বাস্তব প্রদর্শন: 10টি, বস্তু স্পর্শ: 0/20। আরও 50টি সিমুলেশন যোগ করুন: 17/20] @KaitoAI X @axisrobotics Axis-এ অংশগ্রহণের লিঙ্ক (রেফারাল): https://t.co/hUbWSVsBVR রোবটকে নতুন কাজ শেখানোর জন্য বাস্তব সরঞ্জামে প্রদর্শন ডেটা সংগ্রহ করতে অনেক সময় এবং খরচ লাগে। রোবটকে প্রস্তুত করে, কাজের জায়গা সাজিয়ে, মানুষ সরাসরি নিয়ন্ত্রণ করে দশক, শতক পরিমাণ রেকর্ড তৈরি করতে হয়, এবং বস্তু বা পরিবেশ পরিবর্তন হলে নতুন ডেটারও প্রয়োজন হয়। Axis এবং @boosterobotics সম্প্রতি Booster-এর ডুয়াল-আর্ম রোবট ব্যবহার করে, বাস্তব প্রদর্শনে Axis-এর সিমুলেশন Trajectory-কে মিশিয়ে শেখার ফলাফল কীভাবে পরিবর্তিত হয়, তা পরীক্ষা করেছে। ব্যবহৃত কাজগুলি ছিল: পেনটি তোলা এবং ইয়ারবাড কেসটি তোলা। বস্তুতে স্পর্শ করা, গ্রিপারের দ্বারা ধরা, এবং বাস্তবে উপরেরদিকে তোলা—এইগুলি আলাদাভাবে মূল্যায়ন করা হয়েছে, এবং সমস্ত Policy-এই Pi0.5 মডেলের একই চেকপয়েন্ট থেকে শুরু হয়েছিল। Axis Suite-এ, বাস্তব কাজের জায়গা সংক্ষিপ্তভাবে ভিডিওতে ধরা হয়, এবং pretrained 2D-to-3D মডেলটির সাহায্যে Task-এর জন্য digital twin-এর সৃষ্টি করা হয়। তৈরি করা scene-টি Axis Hub-এ deploy-এরপর, multiple contributor-দেরও, physical robot-এরও access-এরপর, same task-এর simulation trajectory-গুলি generate-করা যায়। বস্তুরঅবস্থান, camera angle, illumination, material, background, surrounding objects—এইসবকিছুই change-করে same task-টি multiple conditions-এ perform-করা হয়। ইয়ারবাডকেস-এর low-data experiment-এ 10টি real demonstration-এই included। এই data-দিয়ে train-করা Policy-টি real Booster robot-এ 20টি execution-এ 20টি case-এই target object-এ touch-করতেপারেনি। 10টি real demonstration-কে sameভাবে rakhya rakhya, Axis simulation trajectory 50টি add-করা Policy-টি 20টি out of 17টি case-এ object-এ touch-করতেপারল। 6টি case-এ grasp stage-পর্যন্ত progress-হয়েছিল, and among them, 2টি case-এই earbud case-টি lift-করতেসফলহয়েছিল। আরও beshi data use-করে real robot evaluation-এ multiple combinations test-করাহয়েছিল। Pen task-এ real-only Policy 35% lift rate record-করল, simulation weight 67% condition-এ 40%। Earbud case-এ real-only 30%, simulation weight 50% condition-এ 40%। প্রতিটি condition 20টি execution by real robot-এ perform-করাহয়েছিল, total evaluation 240টি rollout-দিয়ে 구성। Simulation-এ, object position, viewpoint, background—এইসব condition fastভাবে change-করে repetitive data generate-করা possible। Real demonstration-এ camera characteristics, actuator response, gripper timing, contact and execution error—এইসব physical equipment-এ arise-করা information embedded। এই two tasks-এ highest lift rate real demonstration + task-specific simulation data use-করা condition-এই achieveহয়। Axis and Booster together multiple task-এ collected data use-করে Booster-specific initial modelও createকরল। নতুন Task train-করারআগে Booster camera setup, two 7-DoF arms, gripper, action representation, basic motion—এইসব pre-expose-korar jonno model। Simulation source: 95 repository and 76 language command-er upor 44,039 episodes। Static trajectory and ambiguous arm usage record remove-kore 42,046 episodes, 3,249,835 frames remain; approximately 180.55 hours at 5Hz। Success status, telemetry, observation—সহ Booster’s real demonstrationsও training-e use-kora holo। Ei data diye Pi0.5 ke full-parameter continued pretraining korar por pen and earbud case task-e adapt-kora holo। Task per 30 demonstrations use-kore Booster-specific model 16 out of 14 times action sequence follow-korlo: approach - gripper close - move up। Original Pi0.5 model same 30 condition-e 6/16; demonstration increase to 60-e 10/16। Task-wise fine-tuning er ager zero-shot simulation-e average wrist-to-target distance 17.27cm theke 5.78cm komlo; commanded na kora arm er movement distance 5.04 rad theke 0.25 rad komlo। Ei numbers Axis and Booster er collaborative experiment er result। Independentভাবে replicate-kora kono research abar public kora hoini। 10 real demonstrations + 50 simulations use-kore low-data evaluation physical Booster robot-e kora holo; Booster-specific model er 30 and 60 demonstrations comparison Isaac Sim-e kora holo। Dui evaluation-e jeno number pawa jay, tader ekta single physical robot performance metric-e combine-kora possible na. Axis Hub-e generate-kora simulation trajectory object placement and visual conditions vary-korar jonno use-kora holo; Booster’s real demonstrations physical robot’s contact and execution characteristics training-e add-kora holo। Multiple task-e organized data Booster’s body and control scheme-e familiarize-korar jonno initial model-e use-kora holo।ব্রাউজারে সংগ্রহ করা Trajectory-কে বুস্টারের ভৌত রোবট মূল্যায়ন এবং প্রাথমিক মডেল শেখার জন্য ব্যবহার করা হয়েছে। #PhysicalAI #RobotLearning