ロボットは強力なモデルを持っていても、簡単なタスクで苦戦することがある。欠けているのは、多くの場合、経験である。 現実世界のロボットデータは収集が高価である。新しいタスクごとに、遠隔操作、物理的試行、エンジニアリング、時間がさらに必要になる。 ここで@axisroboticsは興味深いアプローチを取っている。 物理的なデモに完全に依存するのではなく、Axisはデジタルツイン、シミュレーション、実際のロボットデータを1つの継続的な学習ループに統合する。 実際の作業空間はデジタルツインとして再構築できる。 その環境は、オブジェクト、カメラ視点、照明、さまざまなシーン条件にわたって多様化される。 シミュレーションはタスクに沿った経験をさらに生成する。 実際のデモはその経験を物理的現実に根ざさせる。 そして失敗は、次のデータ収集ラウンドの新たな目標となる。 Boosterの結果は、このアイデアをはるかに具体的にしている。 耳栓ケースのタスクについて、実際のデモを10回だけ行ったところ、ロボットは20回の試行中0回で目標に到達した。 Axisのシミュレーション経路50本を追加した後： 20回の試行中17回が目標に到達した。 Axisはさらに95のリポジトリから42,046のシミュレーションエピソード（320万フレーム以上をカバー）をフィルタリングし、それらを実際のBoosterデータと組み合わせて、Booster専用のファウンデーションモデルを構築した。 変化は以下の通り： 17.27 cm → 5.78 cm 手首からターゲットまでの平均距離 43.9% → 88.2% 指示された腕による動作割合 約95%削減 非ターゲット腕の動き そしてタスクあたり30回のデモだけで： 6/16 → 14/16 指示されたタスクの順序実行 私の得られた教訓はシンプルだ。 Axisがより多くのロボットデータを生成できるという点だけが興味深いわけではない。 このシステムが設計されているのは、データを累積的に増やすことにある。 失敗は新たな収集目標を生む。 新しいタスクは具現化の事前知識を改善する。 改善された事前知識は次のタスクを支援する。 そしてこのサイクルは繰り返される。 収集 → シミュレート → 学習 → 配備 → 学習 → 繰り返し。 物理的AIにとって、このような学習ループはモデル自体と同じくらい重要かもしれない。 私が注目しているのは、Axisのこの部分である。