Большинство людей считают, что обучение ИИ-роботов сводится только к подаче им бесконечных объемов данных. Но это не так. Больше данных не означает более умные модели — важны правильные данные. Нужно понимать эту разницу. Вот в чем суть: ценность траектории никогда не остается неизменной. Подумайте, как обучать роботизированную руку складывать кубики. Как только она осваивает 95% плавных захватов, сбор еще 10 000 идеальных примеров «захват-размещение» не добавляет никакой ценности. На самом деле важно то, что происходит, когда робот сбивается, неверно оценивает глубину или опрокидывает чашку. Только обучаясь на различных углах, мы получаем качественные данные, которые помогают решать проблемы в реальном времени. Вот почему статические наборы данных не работают. В @axisrobotics мы не рассматриваем данные как застывший архив — мы воспринимаем их как адаптивный, живой механизм. Вместо повторения уже освоенных задач, индикаторы нижнего уровня выявляют места, где происходят сбои при выполнении. Эти слепые зоны с крайними случаями точно показывают, что нужно исправить. Работает непрерывный замкнутый цикл: Модель → Оценка → Выбор → Сбор → Обучение → Модель Освоенные поведения отходят на второй план, а приоритет получают свежие, высокоэффективные данные. Активно собирая именно те коррекции, с которыми текущая модель испытывает трудности, каждый новый пакет данных действительно повышает возможности роботов. Перестаньте накапливать избыточные данные. Обучайте пробелы. В видео я пытаюсь поднять сливу и абрикос, затем положить их в металлический лоток; затем снова беру абрикос и кладу в миску для смешивания. На первый взгляд это очень просто, но роботизированные руки не слушают того, что мы им говорим; мне нужно правильно обучить их под нужным углом, чтобы завершить эту задачу. Вначале и у меня возникали трудности; позже я понял, как с ними справиться, и успешно завершил задачу. Вы тоже можете посмотреть это видео — насколько это сложно... Поделитесь со мной своим опытом. @axisrobotics