Un robot peut posséder un modèle puissant et peiner malgré tout à accomplir une tâche simple. L’élément manquant est souvent l’expérience. Les données robotiques du monde réel sont coûteuses à collecter. Chaque nouvelle tâche implique davantage de téléopération, plus d’essais physiques, plus d’ingénierie et plus de temps. C’est là que @axisrobotics adopte une approche intéressante. Au lieu de s’appuyer entièrement sur des démonstrations physiques, Axis relie les jumeaux numériques, la simulation et les données robotiques réelles en une boucle d’apprentissage continue. Un espace de travail réel peut être reconstitué sous forme de jumeau numérique. Cet environnement peut ensuite être diversifié en fonction des objets, des angles de caméra, de l’éclairage et des conditions de scène variées. La simulation génère une expérience plus alignée sur la tâche. Les démonstrations réelles ancrent cette expérience dans la réalité physique. Les échecs deviennent alors de nouveaux objectifs pour la prochaine collecte de données. Les résultats de Booster rendent cette idée bien plus concrète. Avec seulement 10 démonstrations réelles pour la tâche de manipulation d’un étui d’écouteur, le robot a atteint la cible dans 0/20 essais. Après l’ajout de 50 trajectoires de simulation Axis : 17/20 essais ont atteint la cible. Axis a également filtré 42 046 épisodes de simulation provenant de 95 dépôts, couvrant plus de 3,2 millions d’images, et les a combinés avec les données réelles de Booster pour construire un modèle fondation spécifique à Booster. Les améliorations ont été notables : 17,27 cm → 5,78 cm Distance moyenne du poignet à la cible 43,9 % → 88,2 % Mouvement provenant du bras instruit Réduction d’environ 95 % Mouvement du bras non ciblé Et avec seulement 30 démonstrations par tâche : 6/16 → 14/16 Exécution ordonnée de la tâche Mon enseignement est simple. Ce qui est intéressant, ce n’est pas seulement qu’Axis puisse générer davantage de données robotiques. C’est que le système est conçu pour faire se cumuler les données. Un échec crée un nouvel objectif de collecte. Une nouvelle tâche améliore le prior d’incarnation. Ce prior amélioré aide pour la tâche suivante. Puis le cycle se répète. Capturer → Simuler → Former → Déployer → Apprendre → Répéter. Pour l’IA physique, ce type de boucle d’apprentissage pourrait être aussi important que le modèle lui-même. C’est cette partie d’Axis que je surveille attentivement.