Sebuah robot boleh mempunyai model yang kuat tetapi masih kesulitan dengan tugas yang mudah. Bahagian yang hilang seringkali adalah pengalaman. Data robot dunia nyata mahal untuk dikumpulkan. Setiap tugas baru boleh bermakna lebih banyak teleoperasi, lebih banyak ujian fizikal, lebih banyak kejuruteraan dan lebih banyak masa. Di sinilah @axisrobotics mengambil pendekatan yang menarik. Alih-alih bergantung sepenuhnya pada demonstrasi fizikal, Axis menghubungkan digital twin, simulasi dan data robot sebenar ke dalam satu gelung pembelajaran berterusan. Ruang kerja sebenar boleh dibina semula sebagai digital twin. Lingkungan itu kemudian boleh diberi pelbagai variasi melalui objek, sudut kamera, pencahayaan dan keadaan adegan yang berbeza. Simulasi mencipta lebih banyak pengalaman yang selari dengan tugas. Demonstrasi sebenar mendasarkan pengalaman itu dalam realiti fizikal. Kegagalan kemudian menjadi sasaran baharu untuk pengumpulan data seterusnya. Keputusan Booster membuat idea ini jauh lebih nyata. Dengan hanya 10 demonstrasi sebenar untuk tugas kes case earbud, robot mencapai sasaran dalam 0/20 percubaan. Selepas menambah 50 trajektori simulasi Axis: 17/20 percubaan mencapai sasaran. Axis juga menyaring 42,046 episod simulasi daripada 95 repositori, yang merangkumi lebih daripada 3.2 juta bingkai, dan menggabungkannya dengan data Booster sebenar untuk membina model asas khas Booster. Perubahan yang diperoleh adalah menarik: 17.27 cm → 5.78 cm Jarak purata pergelangan tangan ke sasaran 43.9% → 88.2% Pergerakan daripada lengan yang diarahkan Pengurangan ~95% Pergerakan lengan bukan sasaran Dan dengan hanya 30 demonstrasi setiap tugas: 6/16 → 14/16 Pelaksanaan tugas berurutan Kesimpulan saya adalah ringkas. Bahagian yang menarik bukan sahaja bahawa Axis mampu menghasilkan lebih banyak data robot. Ia adalah bahawa sistem ini direka untuk menjadikan data itu bersifat majmuk. Kegagalan mencipta sasaran pengumpulan baharu. Tugas baharu meningkatkan prior embodiment. Prior yang diperbaiki ini membantu tugas seterusnya. Kemudian kitaran ini berulang. Tangkap → Simulasi → Latih → Hantar → Belajar → Ulangi. Untuk AI Fizikal, gelung pembelajaran sebegini mungkin sama pentingnya dengan model itu sendiri. Itulah bahagian Axis yang saya perhatikan dengan teliti.