Antes pensaba que, una vez que un robot aprendía a agarrar cosas, simplemente podía transferir ese conocimiento a otra máquina. Tras ver los experimentos de Axis y Booster, me di cuenta de que había simplificado demasiado la situación. Franka puede agarrar la caja de audífonos, pero al cambiar a Booster, es probable que toda la secuencia de movimientos anteriores deje de funcionar. Las longitudes de los brazos, el número de articulaciones, los ángulos de las cámaras y las pinzas son diferentes entre ambas máquinas. Además, Booster tiene una estructura de dos brazos, cada uno con siete grados de libertad. El modelo debe adaptarse no solo a las nuevas imágenes que ve, sino también aprender a controlar este nuevo cuerpo. Anteriormente, para manejar este tipo de situaciones, los ingenieros tenían que estar junto al robot físico, recopilando datos mediante control remoto una y otra vez. Dado el número limitado de máquinas, cambiar el escenario o los objetos requería recopilar más datos desde cero. @axisrobotics esta vez replicó el entorno real de trabajo de Booster en un entorno de simulación y luego colocó la tarea en un navegador, permitiendo que usuarios de distintas regiones ayudaran a operarla. La posición de los objetos, la iluminación, el ángulo de visión y el fondo variaban constantemente, y finalmente se seleccionaron 42.046 trayectorias simuladas para entrenar a Booster en una estrategia básica más adaptada a su propia estructura. Los datos de la prueba con la caja de audífonos son muy claros. Con solo 10 demostraciones reales, el robot realizó 20 intentos consecutivos y nunca logró tocar el objetivo. Tras incorporar 50 trayectorias simuladas correspondientes, en 20 pruebas logró tocar la caja en 17 ocasiones, agarrarla exitosamente en 6, y levantarla completamente en 2. En otro conjunto de pruebas, la estrategia de Booster preentrenada con estos datos logró superar el rendimiento del modelo original π₀.₅ con 60 demostraciones reales, utilizando únicamente 30 demostraciones reales por tarea. Estos experimentos solo cubren algunos de los tasks oficiales de prueba y aún no pueden demostrar que se pueda replicar el mismo nivel de mejora en otras máquinas o escenarios complejos. Sin embargo, me ayudaron a entender el propósito detrás de la recopilación de estos datos por parte de Axis: primero practicar en simulación para aprender a localizar objetivos, ajustar ángulos y acercarse a los objetos; luego, en el robot físico, complementar con pocas operaciones reales para perfeccionar el contacto y el agarre. Por supuesto, las trayectorias completadas en el salón de tareas no se incorporan directamente al conjunto de entrenamiento de Booster. Los datos deben pasar por reproducción, filtrado, conversión de formato y verificación para asegurar su compatibilidad con la máquina correspondiente. Antes, al terminar una tarea, solo miraba la puntuación y los puntos. Ahora presto más atención a si mis movimientos son inestables o si la ruta de agarre es limpia. Después de que el robot cambie de cuerpo, la calidad de estas trayectorias realmente influye en si se puede reducir a la mitad la cantidad de datos reales necesarios. Para experimentarlo, comience con las tareas Beginner. Una vez que apruebe la tarea, recuerde ir a Portfolio para completar la firma Base: https://t.co/Bo1luv9UkN