Bir robot güçlü bir modele sahip olsa bile basit bir görevle zorlanabilir. Eksik olan parça genellikle deneyimdir. Gerçek dünya robot verilerini toplamak maliyetlidir. Her yeni görev, daha fazla uzaktan kontrol, daha fazla fiziksel deneme, daha fazla mühendislik ve daha fazla zaman anlamına gelebilir. İşte burada @axisrobotics ilginç bir yaklaşım benimsemiş durumda. Axis, tamamen fiziksel gösterimlere dayanmak yerine, dijital ikizler, simülasyon ve gerçek robot verilerini tek sürekli bir öğrenme döngüsüne bağlar. Gerçek bir çalışma alanı dijital bir ikiz olarak yeniden oluşturulabilir. Bu ortam ardından nesneler, kamera açıları, aydınlatma ve farklı sahne koşulları boyunca çeşitlendirilebilir. Simülasyon, görevle daha iyi uyumlu deneyimler oluşturur. Gerçek gösterimler bu deneyimi fiziksel gerçeklikle temeller. Daha sonra başarısızlıklar, bir sonraki veri toplama turu için yeni hedefler haline gelir. Booster sonuçları bu fikri çok daha somut hale getiriyor. Sadece 10 gerçek gösterimle bir kulaklık kılıfı görevi için robot, 20 denemede 0 kez hedefe ulaştı. 50 Axis simülasyon yörüngesi eklenmesinin ardından: 20 denemeden 17'si hedefe ulaştı. Axis ayrıca 95 depodan 42.046 simülasyon epizodunu, 3,2 milyondan fazla kareyi kapsayacak şekilde filtreledi ve bunları gerçek Booster verileriyle birleştirerek bir Booster özel temel model oluşturdu. Yapılan değişiklikler ilginçti: 17,27 cm → 5,78 cm Ortalama bilek-hedef mesafesi 43,9% → 88,2% Talimat verilen koldan gelen hareket %95'e yakın azalma Hedef olmayan kol hareketi Ve her görev için sadece 30 gösterimle: 6/16 → 14/16 Siparişli görev yürütme Özgün çıkarımım basit. İlginç olan, Axis'in daha fazla robot verisi üretebiliyor olması değil; sistemin verilerin birikecek şekilde tasarlanmış olması. Bir başarısızlık, yeni bir toplama hedefi yaratır. Yeni bir görev, gövde öncesi bilgisini geliştirir. Geliştirilmiş bu önceden bilgi, bir sonraki görevde yardımcı olur. Daha sonra döngü tekrarlanır. Koleksiyon → Simüle et → Eğit → Dağıt → Öğren → Tekrarla. Fiziksel AI için bu tür bir öğrenme döngüsü, model kadar önemli olabilir. Axis'in bu kısmını yakından izliyorum.