Saat menyelesaikan tugas di platform Axis, banyak orang fokus pada skor tinggi dari satu jalur saja. Melalui materi kerja sama publik antara Axis dan Booster, terlihat model bisnisnya yang sangat konkret: Axis menyediakan layanan kepada klien dengan model penetapan harga paket, yaitu 5–20 tugas dalam satu paket; perusahaan robot membeli paket tugas yang telah diverifikasi sebagai kemampuan siap pakai. Sebagai contoh tugas dasar seperti mengambil pena atau mengambil kotak headphone, setiap tugas tunggal dilengkapi dengan berbagai varian seperti posisi objek, kondisi pencahayaan, sudut pandang, dan jalur operasi, untuk melatih robot menyesuaikan diri dengan berbagai perubahan di lingkungan nyata. Peran kedua belah pihak jelas: Booster bertanggung jawab menyediakan robot itu sendiri, serta menangani adaptasi perangkat keras, kalibrasi peralatan, dan verifikasi langsung. @axisrobotics menghubungkan robot ke platform simulasi, membangun skenario simulasi yang sesuai, dan menghasilkan sejumlah besar data jalur operasi dari komunitas. Data yang dihasilkan terlebih dahulu diverifikasi secara simulasi, kemudian perlu dilakukan pengujian langsung bersama Booster untuk menyelesaikan siklus data kolaboratif antara simulasi dan dunia nyata. Data eksperimen publik secara langsung menunjukkan manfaat dari data simulasi. Dengan menggunakan 10 data demonstrasi nyata saja, ditambah 50 data simulasi, robot berhasil menyentuh target sebanyak 17 kali dari 20 uji coba langsung; sementara kelompok kontrol yang hanya menggunakan 10 data demonstrasi nyata mencatat tingkat keberhasilan 0%. Eksperimen sampel kecil lainnya menunjukkan bahwa model Booster yang dilatih ulang dengan dataset Axis hanya memerlukan 30 contoh demonstrasi per tugas untuk mencapai performa yang lebih baik daripada model asli yang menggunakan 60 contoh demonstrasi. Perhatian: Kesimpulan eksperimen ini hanya berlaku untuk tugas dan kondisi evaluasi yang dipilih dalam eksperimen ini, dan tidak dapat langsung digeneralisasi ke seluruh aplikasi robotik. Namun, ini membuktikan bahwa data simulasi berkualitas tinggi dapat secara efektif mengurangi beban pengumpulan data langsung yang mahal. Berdasarkan logika ini, saat berpartisipasi dalam tugas Axis, daripada terus-menerus menyempurnakan jalur berperingkat tinggi untuk satu tugas yang sama, nilai cakupan dalam dimensi skenario dan keterampilan jauh lebih penting. Setelah menghasilkan jalur berperingkat tinggi untuk tugas sederhana yang sama, disarankan untuk menghentikan operasi berulang; ganti jenis objek, lingkungan skenario, atau tingkat kesulitan untuk menghasilkan data yang berbeda—ini lebih sesuai dengan kebutuhan nyata klien saat membeli “paket tugas”. Operasi pengambilan dan penempatan yang kita lakukan di browser hanya memakan waktu beberapa menit per kali, tetapi jalur-jalur ini masih perlu diorganisir, diverifikasi, dan dikemas ke dalam paket tugas sebelum masuk ke proses pelatihan model pabrikan robot. Pemula disarankan untuk memulai dengan tugas Beginner, dan setelah menyelesaikan tugas, pastikan untuk menandatangani di Portfolio. Jalur yang tidak ditandatangani di Base chain tidak akan dihitung sebagai poin platform. https://t.co/EG13vQL9M5