ایک روبوٹ کے پاس طاقتور ماڈل ہو سکتا ہے اور پھر بھی ایک آسان کام میں پریشان ہو سکتا ہے۔ غائب چیز اکثر تجربہ ہوتا ہے۔ حقیقی دنیا کا روبوٹ ڈیٹا جمع کرنا مہنگا ہوتا ہے۔ ہر نیا کام زیادہ ٹیلی آپریشن، زیادہ فزیکل ٹرائلز، زیادہ انجینئرنگ اور زیادہ وقت کا مطلب ہو سکتا ہے۔ یہی وہ جگہ ہے جہاں @axisrobotics ایک دلچسپ نقطہ نظر اپنا رہا ہے۔ فیزیکل ڈیموں پر مکمل طور پر انحصار کرنے کے بجائے، ایکسس ڈیجیٹل ٹوئنز، سیمولیشن اور حقیقی روبوٹ ڈیٹا کو ایک لگاتار سیکھنے کے لپ میں جوڑتا ہے۔ ایک حقیقی ورک اسپیس کو ڈیجیٹل ٹوئن کے طور پر دوبارہ تعمیر کیا جا سکتا ہے۔ پھر اس ماحول کو اشیاء، کیمرہ ویوز، روشنی اور مختلف منظر کی حالتوں کے لحاظ سے مختلف بنایا جا سکتا ہے۔ سیمولیشن زیادہ کام کے مطابق تجربہ پیدا کرتا ہے۔ حقیقی ڈیموں سے اس تجربہ کو فزیکل حقیقت میں جڑا جاتا ہے۔ پھر ناکامیاں اگلے ڈیٹا جمع کرنے کے لئے نئے مقاصد بن جاتی ہیں۔ بوستر نتائج اس خیال کو بہت زیادہ واضح بناتے ہیں۔ ایئربڈ کیس کے کام کے لئے صرف 10 حقیقی ڈیموں کے ساتھ، روبوٹ نے 20 میں سے 0 کوششوں میں مقصد حاصل کیا۔ 50 ایکسس سیمولیشن ٹرایجکٹرائز شامل کرنے کے بعد: 20 میں سے 17 کوششوں میں مقصد حاصل ہوا۔ ایکسس نے 95 رپوزٹریز سے 42,046 سیمولیشن اپوسڈس فلٹر کئے، جن میں تقریباً 3.2M فریمز شامل تھے، اور انہیں حقیقی بوستر ڈیٹا کے ساتھ ملا کر ایک بوستر خاص فاؤنڈیشن ماڈل تعمیر کیا۔ تبدیلیاں دلچسپ تھیں: 17.27 سم → 5.78 سم متوسطِ کلائی سے مقصد کا فاصلہ 43.9% → 88.2% مخصوص بازو سے حرکت تقریباً 95% کمی غیر مقصد بازو کی حرکت اور صرف 30 ڈموں فی کام کے ساتھ: 6/16 → 14/16 آرڈرڈ کام کا انجام میرا نتائج سادہ ہے۔ دلچسپ بات صرف اس بات میں نہیں کہ ایکسس زیادہ روبوٹ ڈیٹا جنریٹ کر سکتا ہے۔ بلکہ اس نظام کو اس طرح ڈائزائن کیا گيا ہے کہ وہ ڈیٹا کو مرکب بنائے۔ ایک ناکامی نئے جمع کرنے کا مقصد بن جاتی ہے۔ ایک نئے کام سے جسمانی پیرائر مزید بہتر ہوتا ہے۔ اس بہتر شدہ پیرائر سے اگلا کام آسان ہوتا ہے۔ پھر دوبارہ حلقہ دوبارہ شروع ہوتا ہے۔ کپچر → سمجھائے → تربت دے → منتقل کر → سीکھ → دوبارہ دہرائے۔ فزکل AI کے لئے، اس قسم کا سीکھنے والا حلقہ ماڈل جتنا ضروری ہو سکتا ہے۔ اس لئے میرا توجہ اس حصے پر مرکوز ہے۔