Sa paggawa ng mga gawain sa Axis platform, marami ang nakafokus sa antas ng score ng isang tiyak na trajektoriya. Sa pamamagitan ng pampublikong impormasyon sa pagkakasundo ng Axis at Booster, makikita ang kanilang malinaw na negosyo model: ang Axis ay nagbibigay ng serbisyo sa mga kliyente gamit ang paketeng pricing na may 5–20 gawain bawat grupo, kung saan ang mga kumpanya ng robot ay bumibili ng mga nakapagpapatunay na bundle ng mga gawain. Halimbawa, sa mga pangunahing gawain tulad ng paghawak ng bolpen o pagkuha ng kahon ng taiwan, bawat gawain ay may iba’t ibang variante tulad ng posisyon ng bagay, kondisyon ng ilaw, pananaw, at trajektorya ng operasyon upang turuan ang robot na magseset sa iba’t ibang sitwasyon sa totoong paligid. Malinaw ang paghahati ng mga tungkulin: ang Booster ang responsable sa pagbibigay ng robot body, kasama ang hardware adaptation, pagtatala ng equipment, at real-world validation. Ang @axisrobotics naman ay nag-uugnay ng robot sa simulation platform, nagtatayo ng mga kaugnay na simulation scenario, at nagpapalabas ng malaking dami ng data sa trajektorya mula sa komunidad. Ang mga data na ito ay una munang sinusuri sa simulation, at kailangan pa ring magkaroon ng joint testing kasama ang Booster upang makabuo ng isang data loop na nag-uugnay sa simulation at real-world. Ang pampublikong eksperimentong data ay direktang nagpapakita ng benepisyo mula sa simulation data. Gamit lamang ang 10 totoong demonstration data, kapag idinagdag ang 50 simulation demonstration, naging 17/20 ang tagumpay sa real-world testing; samantalang ang kontrol group na gumagamit lamang ng 10 totoong demonstration ay may 0% success rate. Isa pang eksperimento sa maliit na sample ay nagpapakita na ang Booster model na pre-trained gamit ang Axis dataset ay nakakamit ng mas magandang resulta gamit lamang ang 30 demonstration samples kaysa sa orihinal na model na gumagamit ng 60 demonstration samples. Paalala: Ang mga konklusyon sa mga eksperimentong ito ay limitado lamang sa mga gawain at pagtataya na napili para sa eksperimentong ito, at hindi diretso na ma-applicable sa lahat ng robot applications. Gayunpaman, ito ay nagpapatunay na ang mataas na kalidad na simulation data ay maaaring epektibong bawasan ang malaking gastos at dami ng real-world data collection. Batay sa lohikang ito, kapag nakikilahok sa Axis tasks, mas mahalaga ang coverage sa iba’t ibang scenario at skill dimension kaysa sa paulit-ulit na pagpapabuti ng isang tiyak na high-scoring trajektoriya. Pagkatapos makakuha ng mataas na score sa isang simpleng gawain, payo ay huwag na ulitin ang parehong operasyon; palitan ang uri ng bagay, kapaligiran, o antas ng hirap upang lumikha ng iba’t ibang data—na mas tumutugma sa tunay na pangangailangan ng kliyente sa pagbili ng “task bundle.” Ang mga operasyon tulad ng paghawak at pagpapahiga na ginagawa sa browser ay nagmumula lamang sa ilang minuto bawat pagkakataon, ngunit kailangan pa ring i-organize, i-verify, at i-package ang mga trajektoryang ito bago ito mabuo sa proseso ng model training ng mga manufacturer ng robot. Para sa mga baguhan, payo ay magsimula muna sa Beginner tasks. Pagkatapos makumpleto ang gawain, siguraduhing i-sign mo ito sa Portfolio. Ang mga trajektoriya na hindi naka-sign sa Base chain ay hindi isasama sa platform points. https://t.co/EG13vQL9M5