एक रोबोट के पास एक शक्तिशाली मॉडल हो सकता है और फिर भी एक सरल कार्य के साथ संघर्ष कर सकता है। अक्सर अनुपलब्ध टुकड़ा अनुभव होता है। वास्तविक दुनिया के रोबोट डेटा को इकट्ठा करना महंगा होता है। प्रत्येक नया कार्य अधिक टेलीऑपरेशन, अधिक भौतिक परीक्षण, अधिक इंजीनियरिंग और अधिक समय का अर्थ हो सकता है। यहीं @axisrobotics एक दिलचस्प दृष्टिकोण अपना रहा है। भौतिक प्रदर्शनों पर पूरी तरह से निर्भर करने के बजाय, एक्सिस डिजिटल ट्विन, सिमुलेशन और वास्तविक रोबोट डेटा को एक सतत सीखने के चक्र में जोड़ता है। एक वास्तविक कार्यस्थल को डिजिटल ट्विन के रूप में पुनः बनाया जा सकता है। फिर इस परिवेश को वस्तुओं, कैमरा दृश्यों, प्रकाश और विभिन्न स्थितियों के साथ विविधता प्रदान की जा सकती है। सिमुलेशन अधिक कार्य-अनुकूलित अनुभव पैदा करता है। वास्तविक प्रदर्शन उस अनुभव को भौतिक वास्तविकता में मूलबिंदु प्रदान करते हैं। फिर विफलताएँ अगले डेटा संग्रह के लिए नए लक्ष्य बन जाती हैं। बूस्टर परिणाम इस विचार को काफी अधिक स्पष्ट करते हैं। एक कान के केस के कार्य के लिए केवल 10 वास्तविक प्रदर्शनों के साथ, रोबोट 20 प्रयासों में से 0 में लक्ष्य प्राप्त कर पाया। 50 Axis सिमुलेशन पथों को जोड़ने के बाद: 20 में से 17 प्रयासों में लक्ष्य प्राप्त हुआ। एक्सिस ने 95 भंडारों से 42,046 सिमुलेशन एपिसोड, 3.2M से अधिक फ्रेम कवर करते हुए, संग्रहीत किए, और उन्हें वास्तविक Booster डेटा के साथ मिलाकर एक Booster-विशिष्ट मूल मॉडल बनाया। बदलाव दिलचस्प थे: 17.27 सेमी → 5.78 सेमी औसत कलाई से लक्ष्य की दूरी 43.9% → 88.2% निर्देशित हथेली से हुई गति लगभग 95% कमी अलक्ष्य हथेली की हलचल और केवल प्रति कार्य 30 प्रदर्शनों के साथ: 6/16 → 14/16 आदेशित कार्य क्रम मेरा सारांश सरल है। दिलचस्प बात सिर्फ यही नहीं है कि Axis अधिक रोबोट डेटा पैदा कर सकता है। बल्कि, प्रणाली कोऐसे डिज़ाइन किया गया है कि डेटा संयुक्त हो। एक विफलता,अगले संग्रह के लक्ष्य को प्रदान करती है। एक नया कार्य,शरीर-पूर्वधारणा में सुधार करता है। उस सुधारित पूर्वधारणा,अगले कार्य में मदद करती है। फिर चक्र पुनः प्रारंभ होता है। प्राप्ति → सिमुलेट → प्रशिक्षण → प्रसारण → सीख → पुनःदोहराएँ। भौतिक AI के लिए,ऐसा सीखने का चक्र मॉडल के समान ही महत्वपूर्ण हो सकता है। यही Axis का हिस्सा है,जिसे मैं सख्ती से देख रहा हूँ।