Axis プラットフォームでタスクを実行する際、多くのユーザーが単一のトラジェクトリのスコアに注目しがちです。 Axis と Booster の公開協力資料によると、そのビジネスモデルは非常に具体的です。Axis は顧客にサービスを提供し、5〜20のタスクを一括でパッケージ化した価格設定を採用しています。ロボット企業は、検証済みのタスクパッケージを購入します。 たとえば、ペンを拾う、イヤホンケースを掴むといった基本タスクでは、単一のタスクに対して物体の位置、照明条件、視点、操作トラジェクトリなど複数のバリエーションが設定され、ロボットが実環境のさまざまな変化に適応できるよう訓練されます。 両者の役割は明確に分かれています。Booster はロボット本体を提供し、ハードウェアの適合、デバイスの調整、実機検証を担当します。 @axisrobotics はロボットをシミュレーションプラットフォームに接続し、対応するシミュレーションシーンを構築し、コミュニティが多数の操作トラジェクトリデータを生成します。 生成されたデータはまずシミュレーション検証を経て、その後、Booster と連携して実機テストを行い、シミュレーションと実機のデータサイクルを完成させます。 公開された実験データは、シミュレーションデータがもたらす効果を直観的に示しています。 同じ10件の実際のデモデータを使用した場合に、50件のシミュレーションデモデータを追加すると、ロボットの20回の実機テストで17回の目標接触に成功しました。一方、10件の実際のデモデータのみを使用した対照群では、実機接触成功率は0でした。 別の少サンプル実験では、Axis データセットでさらにプリトレーニングされた Booster モデルが、各タスクに30件のデモサンプルのみを使用した場合でも、元のモデルが60件のデモサンプルを使用した場合よりも優れた性能を発揮しました。 注意点：上記の実験結果は、今回の実験で選定されたタスクと評価条件にのみ適用され、すべてのロボットアプリケーションに直接一般化することはできません。しかし、高品質なシミュレーションデータが、高コストな実機データ収集作業を効果的に削減できることを示しています。 このロジックに基づけば、Axis タスクに参加する際には、同じタスクの高スコアトラジェクトリを繰り返し最適化するよりも、シーンやスキルのカバー範囲を広げることがより価値があります。 同じ簡単なタスクで高スコアトラジェクトリを生成した後は、繰り返し操作をやめることをお勧めします。物体の種類やシーン環境、難易度レベルを変更し、差別化されたデータを生成することで、顧客が「タスクグループ」を購入する際の実際のデータ要件により近づきます。 ブラウザ上で行うグリップや配置操作は1回数分で完了しますが、これらのトラジェクトリは整理・検証を経てタスクパッケージにパッケージ化されなければ、ロボットメーカーのモデル訓練プロセスには流入しません。 初心者はまず Beginner 入門タスクから参加することをお勧めします。タスク完了後は必ず Portfolio で署名操作を行ってください。 Base チェーンへの署名が完了していないトラジェクトリは、プラットフォームのポイントには計上されません。 https://t.co/EG13vQL9M5