Saya sebelum ini selalu berfikir, selepas robot belajar mengambil benda, cukuplah pindah ke mesin lain dan ikut cara yang sama. Selepas melihat eksperimen Axis dan Booster ini, saya sedar bahawa saya terlalu menyederhanakan perkara ini. Franka boleh mengambil kotak earphone, tetapi apabila ditukar kepada Booster, rangkaian gerakan sebelum ini kemungkinan besar akan gagal sepenuhnya. Panjang lengan, bilangan sendi, sudut kamera, dan cengkaman kedua-dua mesin berbeza. Booster juga mempunyai struktur dua lengan, dengan 7 darjah kebebasan setiap lengan. Model perlu beradaptasi semula dengan pemandangan yang dilihat, serta belajar bagaimana mengawal tubuh baru ini. Dahulu, untuk mengatasi situasi seperti ini, jurutera perlu berada di sisi robot fizikal dan mengendalikan secara jauh berulang kali untuk mengumpul data. Bilangan mesin terhad, dan apabila menukar skenario atau jenis objek, perlu kembali mengumpul data baru. @axisrobotics kali ini memulakan dengan mereplika meja kerja sebenar Booster dalam persekitaran simulasi, kemudian meletakkan tugas tersebut di dalam browser supaya pengguna dari pelbagai wilayah boleh membantu mengendalikannya. Posisi objek, cahaya, sudut pandangan, dan latar belakang sentiasa berubah, dan akhirnya menghasilkan 42,046 trajektori simulasi yang digunakan untuk melatih Booster dengan strategi asas yang lebih akrab dengan struktur tubuhnya sendiri. Data ujian kotak earphone sangat jelas. Dengan hanya 10 demonstrasi sebenar, robot menjalankan 20 kali ujian berturut-turut tetapi tidak pernah menyentuh sasaran. Selepas menambahkan 50 trajektori simulasi yang sepadan, dalam 20 ujian tersebut, 17 kali menyentuh kotak earphone, 6 kali berjaya mengambilnya, dan 2 kali berjaya mengangkatnya. Dalam ujian lain, strategi Booster yang telah dilatih dengan data ini menggunakan hanya 30 demonstrasi sebenar setiap tugas—dan prestasinya melebihi model π₀.₅ asal yang menggunakan 60 demonstrasi sebenar. Eksperimen ini hanya merangkumi beberapa tugas ujian rasmi, dan belum boleh mewakili peningkatan serupa pada mesin lain atau skenario kompleks. Namun, ia membantu saya memahami tujuan Axis mengumpulkan data ini: terlebih dahulu latih dalam persekitaran simulasi untuk mencari sasaran, menyesuaikan sudut, dan mendekati objek; kemudian di mesin fizikal, gunakan sedikit operasi sebenar untuk melengkapkan sentuhan dan pengambilan. Tentu saja, trajektori yang kami hasilkan di dewan tugas tidak akan dimasukkan secara langsung ke dalam set latihan Booster. Data perlu melalui proses pemutaran semula, penyaringan, penukaran format, dan pengesahan kesesuaian dengan mesin yang bersangkutan. Dahulu, selepas menyelesaikan tugas, saya hanya memperhatikan skor dan mata. Sekarang, saya lebih memperhatikan sama ada gerakan saya bergoyang secara rawak atau sama ada laluan pengambilan saya bersih. Selepas robot mendapat tubuh baru, adakah ia boleh mengurangkan separuh data sebenar yang perlu dikumpulkan—dan ini benar-benar berkaitan dengan kualiti trajektori ini. Untuk mencuba, mulailah dengan tugas Beginner. Setelah tugas berjaya disahkan, ingatlah untuk menyelesaikan tanda tangan Base di Portfolio: https://t.co/Bo1luv9UkN