Um robô pode ter um modelo poderoso e ainda assim ter dificuldade com uma tarefa simples. O elemento ausente é frequentemente a experiência. Dados de robôs no mundo real são caros de coletar. Cada nova tarefa pode significar mais teleoperação, mais testes físicos, mais engenharia e mais tempo. É aí que a @axisrobotics está adotando uma abordagem interessante. Em vez de depender inteiramente de demonstrações físicas, a Axis conecta gêmeos digitais, simulação e dados de robôs reais em um único ciclo contínuo de aprendizado. Um ambiente real pode ser reconstruído como um gêmeo digital. Esse ambiente pode então ser diversificado em termos de objetos, ângulos de câmera, iluminação e diferentes condições de cena. A simulação cria mais experiência alinhada à tarefa. Demonstrações reais ancoram essa experiência na realidade física. Então, os fracassos se tornam novos alvos para a próxima rodada de coleta de dados. Os resultados do Booster tornam essa ideia muito mais tangível. Com apenas 10 demonstrações reais para a tarefa de uma caixa de fone de ouvido, o robô atingiu o alvo em 0/20 tentativas. Após adicionar 50 trajetórias de simulação da Axis: 17/20 tentativas atingiram o alvo. A Axis também filtrou 42.046 episódios de simulação de 95 repositórios, abrangendo mais de 3,2 milhões de quadros, e os combinou com dados reais do Booster para construir um modelo base específico do Booster. As mudanças foram interessantes: 17,27 cm → 5,78 cm Distância média do punho até o alvo 43,9% → 88,2% Movimento do braço instruído Redução de ~95% Movimento do braço não alvo E com apenas 30 demonstrações por tarefa: 6/16 → 14/16 Execução ordenada da tarefa Minha conclusão é simples. A parte interessante não é apenas que a Axis consegue gerar mais dados de robôs. É que o sistema foi projetado para fazer os dados se comporem. Um fracasso cria um novo alvo de coleta. Uma nova tarefa melhora o conhecimento prévio de embodiment. Esse conhecimento prévio aprimorado ajuda na próxima tarefa. E o ciclo se repete. Capturar → Simular → Treinar → Implementar → Aprender → Repetir. Para a IA física, esse tipo de ciclo de aprendizado pode ser tão importante quanto o próprio modelo. Essa é a parte da Axis que estou observando atentamente.