Раніше я вважав, що після того як робот навчиться брати предмети, достатньо просто перенести це на іншу машину. Але після перегляду експериментів з Axis і Booster я зрозумів, що мої думки були надто спрощеними. Franka вміє брати коробку вушніх телефонів, але коли ми замінюємо її на Booster, попередні рухи, швидше за все, повністю перестануть працювати. Довжина рукавів, кількість суглобів, кути камери та захвати на обох машинах різні. Booster — це двохрукавна система, де кожен рукав має 7 ступенів вільності. Модель має не лише адаптуватися до нових візуальних даних, а й навчитися керувати цим новим тілом. Раніше для вирішення таких завдань інженери мусили сидіти біля реальних роботів і постійно дистанційно збирати дані. Кількість машин обмежена — зміниш сценарій або предмети, і потрібно знову збирати дані. @axisrobotics цього разу спочатку відтворили реальну робочу поверхню Booster у симуляційному середовищі, а потім розмістили завдання у браузері, щоб користувачі з різних країн могли допомогти з керуванням. Положення об’єктів, освітлення, кути огляду та фон постійно змінювалися, і в результаті було відфільтровано 42 046 симуляційних траєкторій для навчання Booster базової стратегії, що краще відповідає його структурі. Дані тесту з коробкою вушніх телефонів дуже наочні. При лише 10 реальних демонстраціях робот 20 разів поспіль не торкнувся цілі жодного разу. Після додавання 50 відповідних симуляційних траєкторій у 17 із 20 тестів робот торкнувся коробки, 6 разів успішно захопив її, і 2 рази повністю підняв. У іншому тестовому наборі стратегія Booster, попередньо навчена цими даними, при 30 реальних демонстраціях на завдання показала кращий результат, ніж початкова модель π₀.₅ з 60 реальними демонстраціями. Цей експеримент охоплює лише кілька завдань із офіційного тестового набору і поки що не може свідчити про те, що такий самий прогрес буде досягнутий на інших машинах або у складних сценаріях. Але він допомог мені зрозуміти, для чого Axis збирає ці дані: спочатку навчитися знаходити ціль, регулювати кут та наближатися до об’єкта у симуляції, а потім у реальному роботі додати лише невелику кількість реальних даних для вдосконалення контакту та захвату. Звичайно, траєкторії, якими ми користуємося в лабораторному залі, не додаються безпосередньо до тренувального набору Booster. Дані проходять повторне виконання, фільтрацію, перетворення формату та перевірку на сум сумсування з конкретною машиною. Раніше після завершення завдання я дивився лише на бали та очки. Зараз я уважніше стежу за тим, чи мої рухи не є надто хиткими чи чи шлях захвату чистий. Коли робот отримує нове тіло, чи можна зменшити кількість реальних даних наполовину — це справді залежить від якості цих траєкторій. Щоб спробувати — почніть із завдань для початківця. Після успішного проходження завдання не забудьте перейти до Portfolio та підписати Base: https://t.co/Bo1luv9UkN