Antes, eu sempre acreditava que, depois que um robô aprendia a pegar algo, bastava transferir o mesmo procedimento para outra máquina. Depois de assistir aos experimentos com Axis e Booster, percebi que tinha subestimado a complexidade. O Franka consegue pegar a caixa de fones de ouvido, mas ao trocar para o Booster, o conjunto anterior de movimentos provavelmente deixaria de funcionar. Os braços das duas máquinas têm comprimentos diferentes, números distintos de juntas, ângulos de câmera e pinças. Além disso, o Booster possui uma estrutura de dois braços, cada um com sete graus de liberdade. O modelo precisa não apenas se adaptar às novas imagens que vê, mas também aprender a controlar esse novo corpo. Anteriormente, para lidar com essa situação, engenheiros tinham que ficar ao lado dos robôs físicos, coletando dados por controle remoto repetidamente. Com um número limitado de máquinas, alterar o cenário ou os objetos exigia coletar novos dados. A @axisrobotics dessa vez replicou o ambiente real do Booster em um ambiente simulado e disponibilizou a tarefa em um navegador, permitindo que usuários de diferentes regiões ajudassem a operar. A posição dos objetos, a iluminação, o ângulo de visão e o fundo variavam constantemente, resultando em 42.046 trajetórias simuladas filtradas para treinar uma estratégia básica do Booster, mais adaptada à sua própria estrutura. Os dados do teste com a caixa de fones de ouvido são bastante claros. Com apenas 10 demonstrações reais, o robô executou 20 tentativas consecutivas e nunca tocou no alvo. Após adicionar 50 trajetórias simuladas correspondentes, em 20 testes, 17 vezes o robô tocou na caixa, 6 vezes conseguiu pegá-la e, em 2 delas, levantou-a com sucesso. Em outro conjunto de testes, a estratégia do Booster pré-treinada com esses dados, utilizando apenas 30 demonstrações reais por tarefa, superou o desempenho do modelo original π₀.₅ com 60 demonstrações reais. Esses experimentos cobrem apenas alguns dos testes oficiais e ainda não podem representar que melhorias semelhantes ocorrerão em outras máquinas ou cenários complexos. No entanto, eles me ajudaram a entender o propósito da coleta desses dados pela Axis: primeiro treinar no ambiente simulado para encontrar alvos, ajustar ângulos e se aproximar dos objetos; depois, usar poucas operações reais para complementar o contato e a captura no robô físico. Claro, as trajetórias que completamos no salão de tarefas não são inseridas diretamente no conjunto de treinamento do Booster. Os dados ainda passam por reprodução, seleção e conversão de formato, além de verificação para garantir compatibilidade com a máquina correspondente. Antes, ao finalizar uma tarefa, eu me concentrava apenas na pontuação e nos pontos. Agora, presto mais atenção se meus movimentos estavam instáveis ou se minha rota de captura foi limpa. Quando o robô muda de corpo, a capacidade de reduzir pela metade os dados reais necessários está diretamente relacionada à qualidade dessas trajetórias. Para experimentar, comece pelas tarefas Beginner. Após passar na validação da tarefa, lembre-se de acessar o Portfolio para concluir a assinatura Base: https://t.co/Bo1luv9UkN