Lors de l'exécution de tâches sur la plateforme Axis, de nombreux utilisateurs se concentrent uniquement sur le score d'une seule trajectoire. À travers les documents de collaboration publics entre Axis et Booster, on peut observer un modèle économique très concret : Axis fournit des services aux clients selon un modèle de tarification par lots de 5 à 20 tâches ; les entreprises de robots achètent des paquets de tâches validées, regroupant des capacités éprouvées. Par exemple, pour des tâches fondamentales comme saisir un stylo ou attraper une boîte d'écouteurs, chaque tâche individuelle est configurée avec de multiples variantes — position de l'objet, conditions d'éclairage, angle de vue, trajectoire d'opération — afin d'entraîner les robots à s'adapter aux diverses variations du terrain réel. Les rôles sont clairement définis : Booster fournit les robots physiques et assure l'adaptation matérielle, le réglage des équipements et la validation sur machine réelle. @axisrobotics intègre les robots dans une plateforme de simulation, crée les scénarios de simulation correspondants, et la communauté génère un grand volume de données de trajectoires d'opération. Les données produites sont d'abord validées en simulation, puis nécessitent des tests sur machine réelle en collaboration avec Booster pour établir une boucle de données cohérente entre simulation et réalité. Les données expérimentales publiques illustrent clairement les gains apportés par les données de simulation. Avec seulement 10 données d'exemple réelles, l'ajout de 50 données d'exemple simulées permet aux robots d'atteindre 17 contacts réussis sur 20 essais réels ; en comparaison, le groupe témoin utilisant uniquement les 10 données réelles obtient un taux de réussite de 0 %. Une autre expérience à faible échantillon montre que le modèle Booster, après un pré-entraînement supplémentaire avec le jeu de données Axis, atteint des performances supérieures à celles du modèle original en utilisant seulement 30 exemples par tâche, contre 60 pour ce dernier. Remarque : Ces conclusions expérimentales ne s'appliquent qu'aux tâches et conditions d'évaluation sélectionnées pour cette expérience et ne peuvent pas être généralisées à tous les scénarios robotiques. Toutefois, elles démontrent que des données de simulation de haute qualité permettent de réduire considérablement la charge coûteuse de collecte de données réelles. Sur la base de ce raisonnement, lorsqu'on participe aux tâches Axis, il est plus précieux de maximiser la couverture des scénarios et des compétences que d'affiner répétitivement une seule trajectoire à haut score. Une fois qu'une trajectoire à haut score a été obtenue pour une tâche simple, il est recommandé d'arrêter les répétitions et de changer d'objet, d'environnement ou de niveau de difficulté afin de produire des données différenciées, plus alignées avec les besoins réels des clients lorsqu'ils achètent des « paquets de tâches ». Les opérations de saisie et de placement effectuées dans le navigateur ne prennent que quelques minutes par essai, mais ces trajectoires doivent être organisées, validées et intégrées dans des paquets de tâches avant d'être intégrées au processus d'entraînement des modèles des fabricants de robots. Les débutants sont invités à commencer par les tâches Beginner ; après leur accomplissement, ils doivent impérativement signer leurs résultats dans leur Portfolio. Les trajectoires non signées sur la chaîne Base ne seront pas prises en compte dans le système de points de la plateforme. https://t.co/EG13vQL9M5