Semasa menyelesaikan tugas di platform Axis, ramai orang fokus pada skor tinggi untuk satu trajektori sahaja. Melalui maklumat kerjasama awam antara Axis dan Booster, boleh dilihat model perniagaan yang sangat jelas: Axis memberikan perkhidmatan kepada pelanggan dengan model penentuan harga berpaket, iaitu 5–20 tugas sekelompok, di mana syarikat robot membeli pakej tugas yang telah disahkan. Sebagai contoh, tugas asas seperti mengambil pen atau mengambil kotak earphone, setiap tugas akan disertakan dengan pelbagai variasi seperti kedudukan objek, keadaan cahaya, sudut pandangan, dan trajektori operasi, untuk melatih robot menyesuaikan diri dengan pelbagai perubahan dalam persekitaran sebenar. Peranan kedua-dua pihak jelas: Booster bertanggungjawab menyediakan badan robot, serta menjalankan penyesuaian peranti, pengkalibrasian peralatan, dan pengesahan secara langsung. @axisrobotics menghubungkan robot ke platform simulasi, membina adegan simulasi yang sepadan, dan komuniti menghasilkan data trajektori operasi dalam jumlah besar. Data yang dihasilkan terlebih dahulu melalui pengesahan simulasi, kemudian perlu bekerjasama dengan Booster untuk menjalankan ujian secara langsung, untuk menyelesaikan lingkaran data simulasi–langsung yang saling berkesinambungan. Data eksperimen awam boleh secara langsung menunjukkan keuntungan yang dibawa oleh data simulasi. Dengan menggunakan 10 data demonstrasi sebenar yang sama, apabila ditambah 50 data simulasi, robot mencapai 17 kejayaan sentuhan objek dalam 20 ujian langsung; manakala kumpulan kawalan yang hanya menggunakan 10 data demonstrasi sebenar mencatatkan kadar kejayaan sentuhan langsung sebanyak 0. Satu set eksperimen sampel kecil lain menunjukkan bahawa model Booster yang telah dilatih semula menggunakan set data Axis, hanya memerlukan 30 sampel demonstrasi setiap tugas untuk mencapai prestasi yang melebihi model asal yang menggunakan 60 sampel demonstrasi. Perhatian: Kesimpulan eksperimen ini hanya berlaku untuk tugas dan syarat penilaian yang dipilih dalam eksperimen ini, dan tidak boleh digeneralisasikan secara langsung ke semua aplikasi robot. Namun, ia membuktikan bahawa data simulasi berkualiti tinggi boleh secara efektif mengurangkan beban pengumpulan data langsung yang mahal. Berdasarkan logik ini, semasa menyertai tugas Axis, nilai cakupan dalam aspek skenario dan kemahiran lebih penting berbanding memperbaiki trajektori berpontensi tinggi untuk tugas yang sama berulang-ulang. Selepas menghasilkan trajektori berpontensi tinggi untuk tugas mudah yang sama, disarankan untuk berhenti mengulangi operasi tersebut; alihkan jenis objek, persekitaran skenario, atau tahap kesukaran untuk menghasilkan data yang berbeza—ini lebih selari dengan keperluan data sebenar pelanggan apabila membeli “pakej tugas”. Operasi mengambil dan meletakkan yang dilakukan di peramban hanya mengambil beberapa minit setiap kali, tetapi trajektori ini masih perlu disusun, disahkan, dan dimasukkan ke dalam pakej tugas sebelum ia masuk ke proses latihan model pembuat robot. Pengguna baru disarankan memilih tugas Beginner terlebih dahulu; selepas menyelesaikan tugas, pastikan untuk menandatangani di Portfolio. Trajektori yang tidak ditandatangani di rantai Base tidak akan dikira dalam poin platform. https://t.co/EG13vQL9M5