Một robot có thể sở hữu một mô hình mạnh mẽ nhưng vẫn gặp khó khăn với một nhiệm vụ đơn giản. Phần còn thiếu thường là kinh nghiệm. Dữ liệu robot trong thế giới thực rất tốn kém để thu thập. Mỗi nhiệm vụ mới có thể đồng nghĩa với việc cần thêm nhiều thao tác điều khiển từ xa, nhiều thử nghiệm vật lý, nhiều công sức kỹ thuật và nhiều thời gian hơn. Đây là điểm mà @axisrobotics đang tiếp cận theo một cách thú vị. Thay vì dựa hoàn toàn vào các minh họa vật lý, Axis kết nối các bản sao kỹ thuật số, mô phỏng và dữ liệu robot thực tế thành một vòng lặp học tập liên tục. Một không gian làm việc thực tế có thể được tái tạo dưới dạng bản sao kỹ thuật số. Môi trường đó sau đó có thể được đa dạng hóa thông qua các đối tượng, góc máy ảnh, ánh sáng và các điều kiện cảnh khác nhau. Mô phỏng tạo ra nhiều trải nghiệm phù hợp hơn với nhiệm vụ. Các minh họa thực tế giúp căn chỉnh trải nghiệm đó vào thực tế vật lý. Sau đó, những thất bại trở thành các mục tiêu mới cho vòng thu thập dữ liệu tiếp theo. Kết quả Booster làm cho ý tưởng này trở nên cụ thể hơn nhiều. Với chỉ 10 minh họa thực tế cho nhiệm vụ lắp vỏ tai nghe, robot đã đạt được mục tiêu trong 0/20 lần thử. Sau khi thêm 50 quỹ đạo mô phỏng của Axis: 17/20 lần thử đạt được mục tiêu. Axis cũng đã lọc 42.046 chuỗi mô phỏng từ 95 kho lưu trữ, bao gồm hơn 3,2 triệu khung hình, và kết hợp chúng với dữ liệu Booster thực tế để xây dựng một mô hình nền tảng riêng cho Booster. Những thay đổi này rất đáng chú ý: 17,27 cm → 5,78 cm Khoảng cách trung bình từ cổ tay đến mục tiêu 43,9% → 88,2% Chuyển động từ cánh tay được chỉ định Giảm ~95% Chuyển động của cánh tay không liên quan đến mục tiêu Và với chỉ 30 minh họa cho mỗi nhiệm vụ: 6/16 → 14/16 Thực hiện nhiệm vụ theo đúng thứ tự Bài học của tôi rất đơn giản. Điều thú vị không chỉ nằm ở chỗ Axis có thể tạo ra nhiều dữ liệu robot hơn. Mà là hệ thống được thiết kế để làm cho dữ liệu tích lũy theo cấp số nhân. Một thất bại tạo ra một mục tiêu thu thập mới. Một nhiệm vụ mới cải thiện tiền đề về thể chất. Tiền đề được cải thiện này hỗ trợ cho nhiệm vụ tiếp theo. Sau đó, chu trình lặp lại. Thu thập → Mô phỏng → Huấn luyện → Triển khai → Học → Lặp lại. Đối với AI vật lý, vòng lặp học tập kiểu này có thể quan trọng không kém gì chính mô hình. Đó chính là phần của Axis mà tôi đang theo dõi sát sao.