หุ่นยนต์อาจมีโมเดลที่ทรงพลัง แต่ยังคงเผชิญความยากลำบากกับงานง่ายๆ จุดที่ขาดหายไปมักคือประสบการณ์ ข้อมูลหุ่นยนต์จากโลกจริงมีต้นทุนสูงในการรวบรวม ทุกงานใหม่อาจหมายถึงการควบคุมจากระยะไกลเพิ่มขึ้น การทดลองทางกายภาพเพิ่มขึ้น การวิศวกรรมเพิ่มขึ้น และเวลาเพิ่มขึ้น นี่คือจุดที่ @axisrobotics ใช้วิธีการที่น่าสนใจ แทนที่จะพึ่งพาการสาธิตทางกายภาพเพียงอย่างเดียว Axis เชื่อมต่อ digital twins การจำลอง และข้อมูลหุ่นยนต์จริงเข้าเป็นวงจรการเรียนรู้ต่อเนื่องเดียว พื้นที่ทำงานจริงสามารถสร้างเป็น digital twin ได้ สภาพแวดล้อมนั้นสามารถหลากหลายได้ผ่านวัตถุ มุมกล้อง แสงสว่าง และเงื่อนไขฉากต่างๆ การจำลองสร้างประสบการณ์ที่สอดคล้องกับงานมากขึ้น การสาธิตจริงเชื่อมโยงประสบการณ์นั้นเข้ากับความเป็นจริงทางกายภาพ จากนั้นความล้มเหลวจะกลายเป็นเป้าหมายใหม่สำหรับการรวบรวมข้อมูลรอบถัดไป ผลลัพธ์ของ Booster ทำให้แนวคิดนี้ชัดเจนยิ่งขึ้น ด้วยการสาธิตจริงเพียง 10 ครั้งสำหรับงานกรณีหูฟัง หุ่นยนต์สามารถไปถึงเป้าหมายได้ใน 0/20 การทดลอง หลังจากเพิ่มเส้นทางการจำลองของ Axis 50 เส้นทาง: 17/20 การทดลองไปถึงเป้าหมาย Axis ยังกรองช่วงการจำลอง 42,046 ช่วงจากแหล่งข้อมูล 95 แห่ง ครอบคลุมมากกว่า 3.2 ล้านเฟรม และรวมเข้ากับข้อมูล Booster จริงเพื่อสร้างโมเดลพื้นฐานเฉพาะสำหรับ Booster การเปลี่ยนแปลงที่น่าสนใจ: 17.27 เซนติเมตร → 5.78 เซนติเมตร ระยะเฉลี่ยจากข้อมือถึงเป้าหมาย 43.9% → 88.2% การเคลื่อนไหวจากแขนที่ได้รับคำสั่ง ลดลงประมาณ 95% การเคลื่อนไหวของแขนที่ไม่ใช่เป้าหมาย และด้วยการสาธิตเพียง 30 ครั้งต่องาน: 6/16 → 14/16 การดำเนินงานตามลำดับ ข้อสรุปของฉันคือเรียบง่าย สิ่งที่น่าสนใจไม่ใช่แค่ Axis สามารถสร้างข้อมูลหุ่นยนต์ได้มากขึ้น แต่คือระบบถูกออกแบบมาเพื่อให้ข้อมูลสะสมกันได้ ความล้มเหลวสร้างเป้าหมายการรวบรวมใหม่ งานใหม่ช่วยปรับปรุง prior การรับรู้ทางกายภาพ prior ที่ดีขึ้นช่วยสนับสนุนงานถัดไป แล้ววงจรก็กลับมาซ้ำอีกครั้ง จับภาพ → จำลอง → ฝึกฝน → ใช้งาน → เรียนรู้ → ทำซ้ำ สำหรับ Physical AI การเรียนรู้แบบวงจรเช่นนี้อาจมีความสำคัญไม่แพ้โมเดลเอง นี่คือส่วนของ Axis ที่ฉันจับตาอย่างใกล้ชิด