Un robot puede tener un modelo potente y aún así tener dificultades con una tarea sencilla. El elemento que falta suele ser la experiencia. Los datos de robots en el mundo real son costosos de recopilar. Cada nueva tarea puede significar más teleoperación, más pruebas físicas, más ingeniería y más tiempo. Aquí es donde @axisrobotics adopta un enfoque interesante. En lugar de depender completamente de demostraciones físicas, Axis conecta gemelos digitales, simulación y datos de robots reales en un bucle de aprendizaje continuo. Un entorno real puede reconstruirse como un gemelo digital. Luego, ese entorno puede diversificarse mediante objetos, vistas de cámara, iluminación y distintas condiciones de escena. La simulación genera más experiencia alineada con la tarea. Las demostraciones reales anclan esa experiencia en la realidad física. Luego, los fracasos se convierten en nuevos objetivos para la próxima ronda de recopilación de datos. Los resultados de Booster hacen que esta idea sea mucho más tangible. Con solo 10 demostraciones reales para la tarea de una caja para audífonos, el robot alcanzó el objetivo en 0/20 intentos. Después de añadir 50 trayectorias de simulación de Axis: 17/20 intentos alcanzaron el objetivo. Axis también filtró 42.046 episodios de simulación de 95 repositorios, que cubrían más de 3,2 millones de fotogramas, y los combinó con datos reales de Booster para construir un modelo base específico para Booster. Los cambios fueron interesantes: 17,27 cm → 5,78 cm Distancia media de la muñeca al objetivo 43,9 % → 88,2 % Movimiento del brazo instruido Reducción de ~95 % Movimiento del brazo no objetivo Y con solo 30 demostraciones por tarea: 6/16 → 14/16 Ejecución ordenada de la tarea Mi conclusión es sencilla. Lo interesante no es solo que Axis pueda generar más datos de robots. Es que el sistema está diseñado para que los datos se compounding. Un fracaso crea un nuevo objetivo de recopilación. Una nueva tarea mejora el conocimiento previo de la embodiment. Ese conocimiento previo mejorado ayuda con la siguiente tarea. Luego, el ciclo se repite. Capturar → Simular → Entrenar → Desplegar → Aprender → Repetir. Para la IA física, ese tipo de bucle de aprendizaje podría ser tan importante como el modelo mismo. Esa es la parte de Axis que estoy observando de cerca.