Maaaring magkaroon ng isang robot ng isang makapangyarihang modelo at patuloy na magtagal sa isang simpleng gawain. Ang nawawalang bahagi ay madalas ang karanasan. Ang real-world robot data ay mahal na kumuha. Ang bawat bagong gawain ay maaaring magmean ng higit pang teleoperation, higit pang pisikal na pagsubok, higit pang inhenyeriya at higit pang oras. Dito nagsisimula ang interesanteng pagkakaroon ng @axisrobotics. Sa halip na mag-asa lamang sa pisikal na demonstrasyon, pinagsasama ni Axis ang mga digital twin, simulation, at real robot data sa isang tuloy-tuloy na learning loop. Maaaring muling buuin ang isang totoong workspace bilang isang digital twin. Maaaring pag-ibayogin ang kapaligirang ito sa pamamagitan ng mga bagay, mga pananaw ng camera, ilaw, at iba’t ibang kondisyon ng escena. Ang simulation ay lumilikha ng higit pang task-aligned na karanasan. Ang mga totoong demonstrasyon ay nagpapakita ng karanasang ito sa pisikal na realidad. Pagkatapos, ang mga pagkabigo ay naging mga bagong target para sa susunod na round ng pagkolekta ng data. Ang mga resulta ng Booster ay ginawa ang ideyang ito na mas malinaw. Gamit ang lamang 10 totoong demonstrasyon para sa isang gawain ng kahon ng earbud, natupad ng robot ang target sa 0/20 na pagsubok. Pagkatapos magdagdag ng 50 Axis simulation trajectories: 17/20 na pagsubok ang natupad ang target. Pinili rin ni Axis ang 42,046 simulation episodes mula sa 95 repositories, na sumasakop sa higit pa sa 3.2M frames, at pinagsama ito sa totoong Booster data upang bumuo ng isang Booster-specific na foundation model. Ang mga pagbabago ay interesante: 17.27 cm → 5.78 cm Mean wrist to target distance 43.9% → 88.2% Galaw mula sa inutusan na braso ~95% reduction Non-target arm movement At gamit ang lamang 30 demonstrasyon bawat gawain: 6/16 → 14/16 Ordered task execution Ang aking natutunan ay simpleng: Hindi lang interesante na kay Axis ay makapag-generate ng higit pang robot data. Kundi ang sistema ay disenyo upang gawing compound ang data. Ang isang pagkabigo ay lumilikha ng bagong target para sa koleksyon. Ang isang bagong gawain ay nagpapabuti sa embodiment prior. Ang pinabuting prior ay tumutulong sa susunod na gawain. Pagkatapos, paulit-ulit ang siklo. Capture → Simulate → Train → Deploy → Learn → Repeat. Para sa Physical AI, ang ganitong uri ng learning loop ay maaaring magkaroon ng parehong kahalagahan tulad ng modelo mismo. Iyon ang bahagi ni Axis na pinapansin ko nang mabuti.