データ処理レイヤーは、ロボットデータを有用なものにする鍵です。 ロボットデータを収集することは、問題の半分にすぎません。もう半分は、そのデータをモデルが実際に利用できる形に変換することです。 収集されたロボットの軌道は、ただ収集されたからといって、すぐにトレーニングに使える状態になるわけではありません。Physical AIでは、データはシステムの次の段階に供給される前に、処理パイプラインを通過する必要があります。 ここにAxisのデータ処理パイプラインが登場します。 このパイプラインは、収集された軌道を以下の複数のステップを通じて処理します： 検証 → フィルタリング → スムージング → 再サンプリング → ランダム化された条件でのリプレイ。 これらのステップにより、収集された軌道はポリシーのトレーニングに使用可能なトレーニング対応データに変換されます。 この処理レイヤーが興味深いのは、Axis全体のスタックとどのように連携しているかです。 タスク生成は、スケーラブルなタスクファミリーを生み出します。 シミュレーションデータ収集は、それらのタスクを人間のデモンストレーションと修正に変換します。 データ処理は、これらの軌道をトレーニングに備えます。 得られたポリシーは、物理的なロボットにデプロイされ、修正および再トレーニングに利用できるフィードバックを生み出します。 したがって、Axisのアーキテクチャは単により多くの軌道を収集することだけではなく、次のループを形成しています： 生成 → 収集 → 処理 → 学習 → デプロイ → 修正。 これは重要です。Physical AIのスケーリングは、どれだけ多くのデータを収集できるかだけでなく、それらの相互作用を有用なトレーニングデータに変換するインフラストラクチャにも依存するからです。 処理レイヤーは、生の収集と次のロボット知能のイテレーションを結びつけるものです。 @axisrobotics