Tôi từng luôn nghĩ rằng, sau khi robot học cách cầm đồ vật, chỉ cần chuyển sang một máy khác là có thể làm y hệt. Nhưng sau khi xem xét các thí nghiệm của Axis và Booster, tôi mới nhận ra mình đã nghĩ quá đơn giản. Franka có thể cầm hộp tai nghe, nhưng khi chuyển sang Booster, chuỗi hành động trước đó rất có thể sẽ hoàn toàn không còn hiệu lực. Chiều dài cánh tay, số khớp, góc nhìn camera và kẹp của hai máy đều khác nhau. Booster còn là cấu trúc hai tay, mỗi cánh tay có 7 bậc tự do. Mô hình không chỉ phải thích nghi lại với hình ảnh mới nhìn thấy, mà còn phải học cách điều khiển cơ thể mới này. Trước đây, để xử lý tình huống này, kỹ sư phải ở cạnh robot thực tế, liên tục điều khiển từ xa để thu thập dữ liệu. Số lượng máy hạn chế, mỗi khi thay đổi bối cảnh hay vật thể, lại phải tiếp tục bổ sung dữ liệu. @axisrobotics lần này đã tái tạo chính xác bàn làm việc thực tế của Booster trong môi trường mô phỏng, sau đó đưa nhiệm vụ lên trình duyệt để người dùng khắp nơi hỗ trợ thao tác. Vị trí vật thể, ánh sáng, góc nhìn và nền sẽ liên tục thay đổi, cuối cùng lọc ra 42.046 quỹ đạo mô phỏng để huấn luyện cho Booster một chiến lược cơ bản quen thuộc với cấu trúc của chính nó. Dữ liệu kiểm tra hộp tai nghe rất trực quan. Chỉ với 10 ví dụ thực tế, robot chạy liên tục 20 lần nhưng không lần nào chạm được mục tiêu. Sau khi thêm 50 quỹ đạo mô phỏng tương ứng, trong 20 lần kiểm tra có 17 lần chạm được hộp tai nghe, 6 lần thành công trong việc nắm giữ, trong đó 2 lần hoàn thành việc nâng lên. Trong một nhóm kiểm tra khác, chiến lược của Booster đã được tiền huấn luyện bằng những dữ liệu này, mỗi nhiệm vụ chỉ sử dụng 30 ví dụ thực tế, nhưng hiệu suất vượt trội hơn so với mô hình π₀.₅ gốc sử dụng 60 ví dụ thực tế. Nhóm thí nghiệm này chỉ bao gồm một vài nhiệm vụ trong bài kiểm tra chính thức, nên hiện tại chưa thể đại diện cho việc các máy khác hay bối cảnh phức tạp đều có thể tái hiện mức cải thiện tương tự. Nhưng nó giúp tôi hiểu rõ mục đích của Axis trong việc thu thập những dữ liệu này: trước tiên luyện trong môi trường mô phỏng cách tìm mục tiêu, điều chỉnh góc và tiếp cận vật thể; sau đó, trên robot thực tế, chỉ cần bổ sung một ít thao tác thực tế để hoàn thiện việc tiếp xúc và nắm giữ. Tất nhiên, các quỹ đạo chúng ta hoàn thành trong Sảnh Nhiệm vụ sẽ không được đưa trực tiếp vào bộ dữ liệu huấn luyện của Booster. Dữ liệu còn phải trải qua quá trình phát lại, lọc chọn, chuyển đổi định dạng và đảm bảo tương thích với từng loại máy cụ thể. Trước đây, sau khi hoàn thành nhiệm vụ, tôi chủ yếu chỉ xem điểm số và tích lũy. Giờ đây, tôi chú ý hơn đến việc hành động của mình có rung lắc quá mức không, đường đi nắm giữ có sạch sẽ không. Sau khi robot đổi một cơ thể mới, liệu có thể giảm một nửa lượng dữ liệu thực tế cần thu thập hay không, thực sự phụ thuộc vào chất lượng của những quỹ đạo này. Bạn có thể bắt đầu trải nghiệm từ các nhiệm vụ Beginner. Sau khi hoàn thành nhiệm vụ và vượt qua xác minh, nhớ đến Portfolio để hoàn thành chữ ký Base: https://t.co/Bo1luv9UkN