我以前一直以為，機器人學會抓東西以後，換台機器照著做就行。看完 Axis 和 Booster 這輪實驗，才發現自己想簡單了。 Franka 會抓耳機盒，換成 Booster 以後，之前那套動作很可能直接失效。 兩台機器的手臂長度、關節數量、相機視角和夾爪都不一樣。Booster 還是雙臂結構，每條手臂有 7 個自由度。模型既要重新適應看到的畫面，也要學會怎麼控制這副新身體。 以前處理這種情況，工程師要守在實體機器人旁邊，一遍遍遙控採集。機器數量有限，換個場景、換批物品，又要繼續補數據。 @axisrobotics 這次先把 Booster 的真實工作台還原到模擬環境，再把任務放到瀏覽器裡，讓不同地區的用戶幫忙操作。物體位置、光線、視角和背景會不斷變化，最後篩出了 42,046 條模擬軌跡，用來給 Booster 訓練一套更熟悉自身結構的基礎策略。 耳機盒測試的數據很直觀。 只有 10 條真實演示時，機器人連續跑了 20 次，一次都沒碰到目標。加入 50 條對應的模擬軌跡後，20 次測試裡有 17 次碰到了耳機盒，6 次成功抓住，其中 2 次完成抬起。 另一組測試中，經過這些數據預訓練的 Booster 策略，每個任務使用 30 條真實演示，表現超過了原始 π₀.₅ 模型使用 60 條真實演示的成績。 這組實驗只覆蓋官方測試的幾個任務，暫時不能代表其他機器和複雜場景都能複現同樣的提升。不過它讓我看懂了 Axis 收集這些數據有什麼用：先在模擬環境裡練會找目標、調整角度和接近物體，到了實體機器人上，再用少量真實操作補足接觸和抓取。 當然，我們在任務大廳完成的軌跡不會直接塞進 Booster 的訓練集。數據還要經過重放、篩選、格式轉換，並確認能適配對應機器。 以前做完任務，我主要看分數和積分。現在會多留意自己的動作有沒有亂晃、抓取路線是否乾淨。機器人換了一副身體以後，能不能少採一半真實數據，和這些軌跡的質量確實有關。 想體驗可以從 Beginner 任務開始。任務通過驗證後，記得去 Portfolio 完成 Base 簽名： https://t.co/Bo1luv9UkN