Nakaisip ako noon na kapag natutunan ng robot na hawakan ang mga bagay, kaya na lang i-transfer ang proseso sa ibang machine. Pero pagkatapos makita ang mga eksperimento ni Axis at Booster, nalaman kong sobrang simpleng pag-iisip ko. Ang Franka ay nakakahawak ng kahon ng headphone, pero kapag ipapalit sa Booster, maaaring mawala ang dating pagkilos. Ang haba ng braso, bilang ng joints, pananaw ng camera, at grip ng dalawang machine ay iba-iba. Ang Booster ay may dual-arm structure, at bawat braso ay may 7 degrees of freedom. Dapat mabago ng model ang pagkakakita nito at matutunan kung paano kontrolin ang bagong katawan. Noon, para sa ganitong sitwasyon, kailangan ng mga inhinyero na manatili sa tabi ng physical robot at paulit-ulit na i-remote ang pagkuha ng data. May limitado ang bilang ng machine, at kung magbabago ang escenario o mga bagay, kailangan muli ng pagpuno ng data. Kasalukuyang inireplica ni @axisrobotics ang totoong workbench ng Booster sa simulation environment, at isinama ang task sa browser upang tulungan ng mga user mula sa iba’t ibang rehiyon. Nagbabago ang posisyon ng bagay, ilaw, pananaw, at background, at sa huli ay napili ang 42,046 simulation trajectories para itrain ang Booster sa isang pangunahing estratehiya na mas pamilyar sa kanyang sariling istruktura. Ang data sa pagsubok ng kahon ng headphone ay malinaw. Kapag mayroon lang 10 totoong demonstration, tumakbo ang robot nang 20 beses nang walang paghawak sa target. Pagkatapos magdagdag ng 50 kaukulang simulation trajectories, 17 sa 20 na pagsubok ay nakahawak sa kahon ng headphone, 6 naman ay matagumpay na hinawakan, at 2 sa kanila ay natapos ang pagtaas. Sa isang iba pang pagsubok, ang Booster strategy na na-train sa mga data na ito, gamit lamang ang 30 totoong demonstration bawat task, ay lumampas sa orihinal na π₀.₅ model na gumamit ng 60 totoong demonstration. Ang eksperimentong ito ay nakapalibot lamang sa ilang task sa opisyal na pagsubok at hindi pa maaaring kumatawan na maaaring ma-replicate ang parehong pagtaas sa iba’t ibang machine o kompleks na escenario. Ngunit ito ay nagbigay sa akin ng pag-unawa kung bakit kailangan ni Axis ang mga data na ito: unang-una ay magtrabaho sa simulation environment upang matutunan ang paghahanap ng target, pag-adjust ng angle, at pag-approach sa bagay; pagkatapos ay gamitin ang kaunting totoong operasyon para makumpleto ang contact at grip. Tiyak na hindi direktang isasama ang mga trajectory na ginawa natin sa Task Hall sa training set ng Booster. Kailangan pa ng data ang replay, filtering, format conversion, at pagsiguro na compatible sa tamang machine. Noon, pagkatapos makumpleto ang task, tinitingnan ko lang ang score at points. Ngayon, mas pinapansin ko kung ang aking galaw ay may sobrang paghuhula o kung ang aking route ng grip ay malinis. Kapag nagkaroon ng bagong katawan ang robot, maaari bang mabawasan nang kalahati ang bilang ng totoong data na kailangan—at talagang may kaugnayan ito sa kalidad ng mga trajectory na ito. Para subukan, maaari mong simulan sa Beginner tasks. Pagkatapos makapasa sa verification, tandaan mong punan ang Base signature sa Portfolio: https://t.co/Bo1luv9UkN