Saya dulu selalu mengira, setelah robot belajar mengambil benda, cukup pindah ke mesin lain dan lakukan hal yang sama. Namun setelah melihat eksperimen Axis dan Booster, saya menyadari bahwa saya terlalu menyederhanakan masalahnya. Franka bisa mengambil kotak earphone, tetapi setelah diganti dengan Booster, serangkaian gerakan sebelumnya kemungkinan besar akan gagal total. Panjang lengan, jumlah sendi, sudut kamera, dan grip dari kedua mesin tersebut berbeda. Booster bahkan memiliki struktur dua lengan, masing-masing lengan memiliki 7 derajat kebebasan. Model harus beradaptasi kembali dengan pemandangan yang dilihatnya, sekaligus belajar cara mengendalikan tubuh baru ini. Dulu, untuk menangani situasi seperti ini, insinyur harus berada di samping robot fisik dan mengendalikannya berulang-ulang untuk mengumpulkan data. Jumlah mesin terbatas; setiap kali mengganti skenario atau jenis benda, harus kembali mengumpulkan data baru. @axisrobotics kali ini mereplikasi meja kerja asli Booster ke dalam lingkungan simulasi, lalu menempatkan tugas tersebut di browser agar pengguna dari berbagai wilayah dapat membantu mengoperasikannya. Posisi objek, pencahayaan, sudut pandang, dan latar belakang terus berubah, hingga akhirnya terkumpul 42.046 jejak simulasi yang digunakan untuk melatih Booster dengan strategi dasar yang lebih memahami struktur tubuhnya sendiri. Data pengujian kotak earphone sangat jelas. Dengan hanya 10 demonstrasi nyata, robot menjalankan 20 kali percobaan berturut-turut dan tidak pernah menyentuh target sama sekali. Setelah menambahkan 50 jejak simulasi yang sesuai, dari 20 kali pengujian, 17 kali berhasil menyentuh kotak earphone, 6 kali berhasil mengambilnya, dan 2 kali berhasil mengangkatnya. Dalam kelompok pengujian lainnya, strategi Booster yang telah dilatih dengan data ini menggunakan hanya 30 demonstrasi nyata per tugas—dan performanya melebihi model π₀.₅ asli yang menggunakan 60 demonstrasi nyata. Eksperimen ini hanya mencakup beberapa tugas uji resmi, sehingga belum bisa mewakili bahwa peningkatan serupa dapat direplikasi pada mesin lain atau skenario kompleks. Namun, ini membuat saya memahami tujuan Axis mengumpulkan data tersebut: pertama-tama latih robot di lingkungan simulasi untuk belajar menemukan target, menyesuaikan sudut, dan mendekati objek; baru kemudian di robot fisik, gunakan sedikit operasi nyata untuk melengkapi kontak dan pengambilan. Tentu saja, jejak yang kita hasilkan di ruang tugas tidak langsung dimasukkan ke dalam dataset pelatihan Booster. Data masih harus melalui proses pemutaran ulang, penyaringan, konversi format, serta konfirmasi kesesuaian dengan mesin yang bersangkutan. Dulu, setelah menyelesaikan tugas, saya hanya memperhatikan skor dan poin. Sekarang saya lebih memperhatikan apakah gerakan saya bergetar sembarangan atau apakah jalur pengambilan saya bersih. Setelah robot mendapat tubuh baru, apakah jumlah data nyata yang dibutuhkan bisa dikurangi separuhnya—benar-benar bergantung pada kualitas jejak-jejak ini. Untuk mencoba sendiri, mulailah dari tugas Beginner. Setelah tugas berhasil diverifikasi, jangan lupa kunjungi Portfolio untuk menyelesaikan tanda tangan Base: https://t.co/Bo1luv9UkN