Al realizar tareas en la plataforma Axis, muchas personas se centran únicamente en la puntuación de una sola trayectoria. A través de la información pública de la colaboración entre Axis y Booster, se puede observar su modelo de negocio muy concreto: Axis ofrece servicios a los clientes mediante un modelo de precios por paquetes de 5 a 20 tareas; las empresas de robots adquieren paquetes de tareas validadas como capacidades integradas. Por ejemplo, en tareas básicas como tomar un bolígrafo o agarrar una caja de audífonos, cada tarea individual configura múltiples variantes, como la posición del objeto, las condiciones de iluminación, el ángulo de visión y la trayectoria de operación, para entrenar a los robots a adaptarse a diversas situaciones del entorno real. La división de responsabilidades es clara y definida: Booster se encarga de proporcionar el robot físico, asumiendo la adaptación del hardware, la configuración del equipo y la validación en máquina real. @axisrobotics conecta los robots a la plataforma de simulación, crea escenarios de simulación correspondientes y genera grandes volúmenes de datos de trayectorias de operación mediante la comunidad. Los datos generados primero pasan por validación en simulación; posteriormente, se requiere colaboración con Booster para realizar pruebas en máquina real, completando así un ciclo de datos coherente entre simulación y máquina real. Los datos experimentales públicos demuestran claramente el beneficio aportado por los datos de simulación: Con solo 10 datos de demostración reales y añadiendo 50 datos de demostración simulados, el robot logró 17 contactos exitosos en 20 pruebas reales; en cambio, el grupo de control que utilizó únicamente 10 datos reales obtuvo una tasa de éxito del 0%. Otro experimento con pocos ejemplos muestra que, tras un preentrenamiento adicional con el conjunto de datos de Axis, el modelo de Booster logró superar el rendimiento del modelo original utilizando 60 ejemplos, con solo 30 ejemplos por tarea. Nota importante: Estas conclusiones experimentales son válidas únicamente para las tareas y condiciones de evaluación seleccionadas en este experimento y no pueden generalizarse directamente a todos los escenarios de aplicación robótica; sin embargo, demuestran que los datos de simulación de alta calidad pueden reducir significativamente la carga costosa de recolección de datos en máquina real. Sobre la base de este razonamiento, al participar en tareas de Axis, es más valioso cubrir una amplia gama de escenarios y habilidades que perfeccionar repetidamente trayectorias de alta puntuación en una sola tarea. Una vez que se logra una trayectoria de alta puntuación en una tarea simple, se recomienda dejar de repetir la operación; en su lugar, cambie el tipo de objeto, el entorno del escenario o el nivel de dificultad para generar datos diferenciados que se alineen mejor con la verdadera necesidad de los clientes al comprar "paquetes de tareas". Las operaciones de agarre y colocación realizadas en el navegador toman solo unos minutos por ejecución, pero estas trayectorias deben ser organizadas, validadas y empaquetadas antes de integrarse en el proceso de entrenamiento del modelo de los fabricantes de robots. Los principiantes deben priorizar las tareas Beginner; tras completarlas, es obligatorio firmarlas en el Portfolio. Las trayectorias sin firma en la cadena Base no se contabilizarán en los puntos de la plataforma. https://t.co/EG13vQL9M5