Робот может обладать мощной моделью и всё равно испытывать трудности с простой задачей. Отсутствующим элементом часто является опыт. Данные с реальных роботов дорогостоящи в сборе. Каждая новая задача может означать больше телепередач, больше физических испытаний, больше инженерных усилий и больше времени. Вот здесь @axisrobotics применяет интересный подход. Вместо полной зависимости от физических демонстраций Axis объединяет цифровые двойники, симуляции и данные реальных роботов в единый непрерывный цикл обучения. Реальное рабочее пространство можно воссоздать в виде цифрового двойника. Эту среду затем можно разнообразить по объектам, углам камеры, освещению и различным условиям сцены. Симуляция создаёт больше опыта, ориентированного на задачу. Реальные демонстрации закрепляют этот опыт в физической реальности. Ошибки становятся новыми целями для следующего раунда сбора данных. Результаты Booster делают эту идею гораздо более осязаемой. Только с 10 реальными демонстрациями для задачи с корпусом наушников робот достиг цели в 0/20 попыток. После добавления 50 симуляционных траекторий Axis: 17/20 попыток достигли цели. Axis также отфильтровал 42 046 симуляционных эпизодов из 95 репозиториев, охватывающих более 3,2 млн кадров, и объединил их с реальными данными Booster для создания фундаментальной модели, специфичной для Booster. Изменения были значительными: 17,27 см → 5,78 см Среднее расстояние от запястья до цели 43,9% → 88,2% Движение, выполняемое указанной рукой ~95% снижение Движение неуказанной руки И всего с 30 демонстрациями на задачу: 6/16 → 14/16 Выполнение задач в указанном порядке Мой вывод прост. Интересно не только то, что Axis может генерировать больше данных для роботов. А то, что система спроектирована так, чтобы данные накапливались. Ошибка создаёт новую цель для сбора данных. Новая задача улучшает предварительные представления о воплощении. Улучшенные предварительные представления помогают в следующей задаче. И цикл повторяется. Захват → Симуляция → Обучение → Развертывание → Обучение → Повтор. Для физического ИИ такой цикл обучения может быть столь же важен, как и сама модель. Это именно та часть Axis, за которой я внимательно слежу.