रोबोट लर्निंग लूप gAxis जब हम कहते हैं कि एक रोबोट "सीख रहा है", तो आसानी से यह कल्पना करना संभव है कि उसे पर्याप्त डेटा देने से वह अंततः हर चीज में अच्छा हो जाएगा। वास्तविक दुनिया के रोबोटिक्स इतने सरल नहीं हैं। एक रोबोट हजारों उदाहरणों को देख सकता है कि कोई ड्रॉअर खोल रहा है, फिर भी वह तब संघर्ष करता है जब ड्रॉअर थोड़ा भारी हो, हैंडल की स्थिति अलग हो, या उसका पहुंचने का तरीका सही न हो। ऐसा इसलिए है क्योंकि रोबोटिक्स केवल सही क्रिया की पहचान के बारे में नहीं है। यह उस समय क्या करना है, इसके बारे में है जब अपेक्षित क्रिया काम नहीं करती। मनुष्य इसे प्राकृतिक रूप से सीखते हैं। हम कुछ करने की कोशिश करते हैं, गलती का पता लगाते हैं, समायोजित करते हैं, और फिर से कोशिश करते हैं। असफल प्रयास से प्राप्त अनुभव, हमारे अगले प्रयास के तरीके को बदल देता है। भौतिक AI को इसी प्रकार की सीखने की प्रक्रिया को पकड़ने का तरीका चाहिए। यहीं Axis प्रवेश करता है @axisrobotics एक ऐसा परिवेश बना रहा है, जहां रोबोट्स को मानवों के साथ प्रतिकृति-आधारित प tương tác के माध्यम से प्रशिक्षित किया जा सकता है। प्रत्येक सीखने के प्रयोग को भौतिक रोबोट पर नहीं, बल्कि प्रशिक्षक प्रतिकृति-आधारित रोबोट्स के साथ संवाद कर सकते हैं, जब वे गलती करते हैं, उन्हें मार्गदर्शन दे सकते हैं, और इन संवादों से पथ (trajectories) प्राप्त कर सकते हैं। महत्वपूर्ण बात सिर्फ अधिक रिकॉर्डिंग्स संग्रहित करना नहीं है। यह प्रयास की क्रिया और उसके बाद के सुधार के मध्य संबंध को पकड़ना है। एक रोबोट गलती से पहुँचता है। एक मनुष्य हस्तक्षेप करता है। बेहतर हलचल का प्रदर्शन किया जाता है। यह सुधार प्रशिक्षण सूचना में परिवर्तित हो जाता है। फिर मॉडल इस अनुभव का उपयोग करके भविष्य के प्रयासों में सुधार कर सकता है। इसलिए, लूप कुछ इस प्रकार है: प्रयास → गलती → सुधार → प्रशिक्षण संकेत → बेहतर प्रयास। इसे पर्याप्त बार दोहराएं, और प्रणाली सिर्फ प्रदर्शनों की स्थिर पुस्तकालय से कहीं अधिक मूल्यवान कुछ संचयित करना شروع करती है। यह प्रयोगों (experience) का संचय करना شروع करती है। क्यों प्रतिकृति महत्वपूर्ण है भौतिक रोबोट महँगे होते हैं, पुनः सेट करने में धीमे होते हैं, और आपके महसूस किए जा सकने वाले प्रयोगों की संख्या से सीमित होते हैं। प्रतिकृति (simulation) इनमें से कई सीमाओं को हटा देती है। आप एक ही कार्य को पुनः-पुनः परख सकते हैं, विभिन्न परिस्थितियाँ पेश कर सकते हैं, हस्तक्षेप संग्रहित कर सकते हैं, और प्रणाली (policy) में सुधार कर सकते हैं, पहले से। यहीं sim-to-real महत्वपूर्ण होता है। लक्ष्य सिर्फ़ इसका नहीं है कि एक रोबोट प्रतिकृति में हीअच्छा हो। लक्ष्य है—वहाँ सीखी गई सबक,वास्तविकता मेंबेहतर प्रदर्शन करने में मदद करें। और jab Axisअधिकजटिलहस्त-प्रबंधन (manipulation)कार्योंओरबढ़ताहै,उसप्रतिक्रिया-लूपकीगुणवत्ताअधिकमहत्वपूर्णहोजातीहै। क्योंकिअंततः,रोबोटिक्सकेसमाधानकेलिएसबसेबड़ाडेटासेटएकत्रकरनेसेनहीं,बल्किउनप्रणालियोंकेनिर्माणसेहोगाजोअनुभवकेआधारपरबेहतरव्यवहारमेंपरिवर्तनकरसकें। यहीAxisकावहभागहैजिसपरमईध्यानदेरहाहूँ। अधिकडेटाउपयोगीहै। लेकिनप्रत्येकप्रयाससेबेहतरसीखनाहीवास्तविकलाभहै। @iamlogtun