[অক্সিস দ্বারা প্রকাশিত ১০০ ঘন্টার ইগোসেন্ট্রিক ডেটা, মানুষের কাজকে রোবট শেখার ডেটা হিসেবে সাজানোর পদ্ধতি] @KaitoAI X @axisrobotics অক্সিসে অংশগ্রহণের লিঙ্ক (রেফারাল): https://t.co/hUbWSVsBVR মানুষ যখন একটি কাপ তুলে নেয়, তখন তার আঙুলের কোণ বা কলিতের পথ গণনা করে না। এটি শুধুমাত্র স্বাভাবিকভাবেই সামনের কাপটি তুলে অন্যত্র রাখে। একই কাজটি রোবটকে শেখানোর জন্য, এটি আলাদা। হাতটি বস্তুর কাছাকাছি আসার মুহূর্ত, বাস্তবিকভাবে স্পর্শ করার মুহূর্ত, উঠিয়ে নেওয়ার পরের চলার পথ, আবার রেখে দেওয়ার মুহূর্ত—এইসবকে আলাদা আলাদা করে বিভক্ত করতে হবে। মানুষের জন্য এটি একক, অবিচ্ছিন্ন ক্রিয়া, কিন্তু রোবটকে শেখানোর জন্য, এই ক্রিয়ার ভিতরে কী ঘটছিল, তা ডেটা হিসেবে বিশ্লেষণ করতে হবে। অক্সিস ২০২৩-এর সেপ্টেম্বরের শুরুতে axis-ego-samples-এর আপডেটটি, মানুষের এইচলনকে রোবট-শিক্ষার ডেটা-তে রূপান্তরিত করার প্রক্রিয়াটির বাস্তবফাইলগুলির একটি। এখনও প্রকাশিত egocentric video-এর মাত্রা ১০০ ঘন্টা। এই ১ম-পERSPECTIVE-ভিডিওগুলি,যা 101টি clip-এ 80,090টি frame-by-frame language annotation-এ divided। একটি long video-এর full task name-এর place-এ, action change-এর point-এ base kore segment-গুলি divide kora hoyeche, je kono moment-e kon action holo ta record kora hoyeche. একটি cup-কে move kora-er scene-ta o ei same method-e divide hoyeche. হাতটি cup-এর kache asa, bishesh kore grab kora, move kora, and finally rakhya jay - ei sob kichu alada alada segment-e divide kora hoyeche. মানুষের eye-এ, it is one natural action, but data-er moddhe, it is divided into multiple steps. এই process-ti ki kore lagbe? karon manush ar robot-er body same na. মানুষের হাতে multiple joints ar fingers free movement er possibility ache, kintu robot-er structure onujayi movement range different. kichhu robot simple gripper use kore, kichhu camera position different. মানুষের hand movement-ti directly robot action-e copy kore solution paowa jay na. video-ti theke action segment ar object state peye, tarpor robot er actual execute korte parbe action representation-e convert kora lagbe. Capture device-ta o multiple type use hoyeche. axis-ego-samples-e dual fisheye, six-camera RGB+SLAM, MEgo, Gen DAS Ego, FEAGINE EGO, GI Labs etc. - different capture device theke collect kora sample public hoyeche. ekoi task ke capture korle o camera configuration onujayi video alada hoye jay. field of view different hoye jay, hand position screen-e different hoye jay, position data capture method o device onujayi different. real-world environment-e large-scale data collect korar jonno ei difference gulo avoid kora possible na. ekta device ar ekta shooting condition-e assume kore na, multiple input ke learning-e use kora jay eitar structure-e organize korar process o lagbe. separate sample-150h-10cat folder-e delivery corpus theke 10 episodes category-wise collect kore public hoyeche. kintu public repository-e uporito 10 sample guloi upload kora hoyeche, 150-hour corpus full ta public hoye nai. Current axis-ego-samples repository er total file size approximately 770GB. Ei data ta Axis er onno product er sathe ki vabe connected - o dekha jay. Mobile Egocentric App-ta manusher movement er shomoy hand pose real-time track kore ar sei movement ke robotic motion-e convert korar direction-e develop hoyeche. Browser simulation-e manush virtual robot direct control kore state ar action create kore. egocentric capture-e real-world space-e manush je kaaj gulo kore, tar data record kora hoye tar moddhe robot learning er jonno useful action gulo extract hoye. Ekhane ekta interesting point arise. Robot ke experience accumulate korar jonno robot ke continuous move korar dorkar nai. manush already daily hajar hajar object handle kore. cup uthanor, door kholar, box organize korar, tool use korar action gulo real life-e constantly repeat hoye thake. Ei action gulo sufficiently accurate way-e record kore ar robot er movement er sathe connect korte parle, manush je daily activity gulo generate kore, shei activity gulo itself robot learning data er source hoye uporito. Ei idear ta real robot research-e ki vabe use hoyeche - Axis er sathe alada research EgoScale e o dekha jay.2026 সালের ফেব্রুয়ারিতে প্রকাশিত EgoScale প্রথমে 20,854 ঘন্টার বেশি action-লেবেলযুক্ত egocentric মানুষের ভিডিও দিয়ে VLA প্রি-ট্রেনিং করে, তারপর human-robot aligned ডেটা যোগ করে আরও শেখে। 22-DoF দক্ষ রোবট হাতের মূল্যায়নে, চূড়ান্ত পলিসির গড় সফলতার হার no-pretraining baseline-এর তুলনায় 54% বেশি ছিল। EgoScale হল Axis-এর সাথে সম্পর্কহীন গবেষণা, এবং শুধুমাত্র মানুষের ভিডিও বেশি দিয়েই রোবটগুলি স্বয়ংক্রিয়ভাবে ভালোভাবে কাজ করবে এমন কোনো অর্থও নয়। এটি একটি উদাহরণ, যেখানে মানুষের আচরণ দিয়ে প্রথমে বিস্তৃত অভিজ্ঞতা শেখা হয়, তারপর বাস্তব রোবটের embodiment এবং action-এর সাথে মানানসই ডেটা যোগ করলেই পারফরম্যান্স উন্নতি হয়। Axis এই ডেটা বাস্তবসম্মত সহযোগিতায়ও ব্যবহার করছে। 28শে আগস্ট 2024-এ Dexmal-এর সাথে সহযোগিতায়, Axis Dexmal-এর VLA এবং world model-এর জন্য大规模 egocentric, simulation, real-world data production-এর দায়িত্ব নিয়েছে। এখনও প্রকাশিত না হওয়া অংশগুলিরও আছে। Dexmal-এর কাছে প্রকৃতপক্ষে কতটা ডেটা প্রেরণ করা হয়েছে,এবং এই ডেটা মডেলের পারফরম্যান্সকে কীভাবে প্রভাবিত করেছে—এগুলি এখনও প্রকাশিত হয়নি। তবুও, বর্তমানেই 100% 공개된 자료গুলিরই mধারণা, Axis-এর 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 100% 1999999999999999999999999999999999999999999999999999999999999999999999999999999999888888888888888888888888888888888888888888888888888888888888888888888888888777777777777777777777777777777777777777777777777777777777777777666666666666666666666666666666666666666666666666665555555555555555555555555555555555555555555544444444444444444444444444444444444444444433333333333333333333333333333333333333333222222222222222222222222222222222222222111111111111111111111111111111111111 LeRobot-এর data-এর ১০০টি ঘন্টা, frame-by-frame annotation-এর ৮০,০৯০টি segment-এরও data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-এর data-एर डेटा उपलब्ध है। मानव द्वारा वास्तविक दुनिया में स्वाभाविक रूप से किए जाने वाले छोटे कार्यों को रिकॉर्ड किया जाता है, फिर उनमें कार्य सीमाओं को अलग किया जाता है, वस्तुओं और हाथ की गति को संगठित किया जाता है, और फिर इसे रोबोट के लिए सीखने योग्य फॉर्मेट में परिवर्तित किया जाता है। मनुष्य के लिए कुछ सेकंड का साधारण पल, रोबोट के लिए एक पूर्ण सीखने का अनुभव होता है। Axis अभी जो प्रकाशित कर रहा है, वह इस प्रक्रिया के वास्तविक डेटा में परिणति है। #PhysicalAI #RobotLearning