O Loop de Aprendizado do Robô gAxis Quando dizemos que um robô está “aprendendo”, é fácil imaginar que fornecer a ele dados suficientes o tornará bom em tudo. A robótica do mundo real não é tão simples assim. Um robô pode observar milhares de exemplos de alguém abrindo uma gaveta e ainda assim ter dificuldade quando a gaveta está ligeiramente mais pesada, a maçaneta está posicionada de forma diferente ou sua abordagem não está exatamente correta. Isso ocorre porque a robótica não se trata apenas de reconhecer a ação correta. Trata-se de saber o que fazer quando a ação esperada não funciona. Humanos aprendem isso naturalmente. Tentamos algo, notamos o erro, ajustamos e tentamos novamente. A experiência da tentativa falha altera como abordamos a próxima. A IA física precisa de uma maneira de capturar esse mesmo processo de aprendizado. Aqui é onde o Axis entra @axisrobotics está construindo um ambiente onde robôs podem ser treinados por meio de interações simuladas com humanos. Em vez de colocar cada experimento de aprendizado em um robô físico, os treinadores podem interagir com robôs simulados, guiá-los quando cometem erros e gerar trajetórias a partir dessas interações. A parte importante não é simplesmente coletar mais gravações. É capturar a relação entre uma ação tentada e a correção que segue. Um robô alcança incorretamente. Um humano assume o controle. O movimento melhor é demonstrado. Essa correção se torna informação de treinamento. O modelo pode então usar essa experiência para melhorar tentativas futuras. Então, o loop parece algo como: Tentativa → erro → correção → sinal de treinamento → melhor tentativa. Repita isso o suficiente e o sistema começa a acumular algo muito mais útil do que uma biblioteca estática de demonstrações. Ele começa a acumular experiência. Por que a Simulação Importa Robôs físicos são caros, lentos para serem redefinidos e limitados pelo número de experimentos que você pode executar realisticamente. A simulação remove muitas dessas restrições. Você pode testar a mesma tarefa repetidamente, introduzir diferentes condições, coletar intervenções e melhorar a política antes de implantá-la no mundo físico. É aí que o sim-to-real se torna importante. O objetivo não é que um robô permaneça bom dentro de uma simulação. O objetivo é que as lições aprendidas lá contribuam para robôs que possam desempenhar melhor na realidade. E à medida que o Axis avança em direção a tarefas de manipulação mais complexas, a qualidade desse loop de feedback se torna cada vez mais importante. Porque, em última análise, a robótica não será resolvida coletando o maior conjunto de dados. Será resolvida construindo sistemas que possam transformar experiência em comportamento melhorado. É essa parte do Axis que estou prestando atenção. Mais dados são úteis. Mas um aprendizado melhor a cada tentativa é a verdadeira vantagem. @iamlogtun