Baovy06

• HODL à travers les orages, récoltant des fruits au lever de la lune. • La position fait tout. • Calme avant la vague, ferme devant le chart.

1 kSuit

1,1 kfollowers

Feed

Le marché de l'IA en robotique connaît une croissance folle en ce moment. Des ensembles de données vidéo égocentriques, des systèmes de capture de mouvement, des pipelines de données synthétiques aux outils de collecte basés sur des pinces… on a l'impression qu'une nouvelle entreprise de données en robotique se lance chaque semaine. Mais le vrai problème est le suivant : Toutes les données ne sont pas utiles pour entraîner des robots. Avant de collecter d'énormes quantités de données, la question la plus importante devrait être : « Qu'est-ce que vous entraînez exactement le robot à faire ? » PrismaX divise l'IA physique en 2 grandes catégories : • Modèles cinématiques → axés sur le contrôle robotique de bas niveau. Des choses comme l'équilibre, le saut, la locomotion, la précision des mouvements. • Modèles fondamentaux → axés sur l'exécution de tâches réelles. Des choses comme laver la vaisselle, ouvrir des portes, saisir des objets, interagir avec les environnements. Et PrismaX se concentre principalement sur les modèles fondamentaux — car l'avenir ne nécessite pas seulement des robots capables de faire des saltos arrière. Il faut des robots qui peuvent réellement aider les humains dans la vie quotidienne. Ce que j'ai trouvé intéressant, c'est que PrismaX ne se contente pas de « vendre des données en robotique ». Ils vont beaucoup plus loin dans : • quel type de données convient à chaque modèle • ce que signifie réellement des données robotiques de haute qualité • ce qui doit varier dans les ensembles de données • et ce qui doit rester cohérent pour une meilleure convergence Actuellement, l'industrie de la robotique expérimente différentes méthodes de collecte de données : • téléopération → humains contrôlant les robots à distance • vidéo humaine → entraînement à partir de vidéos de personnes effectuant des tâches • systèmes de pinces → humains utilisant des outils de type pince suivis Chaque méthode a ses forces et ses faiblesses. Mais PrismaX estime que la téléopération fournit toujours les données de la plus haute qualité car elle est plus contrôlable, plus précise et plus facile à utiliser pour entraîner des modèles fondamentaux. Le principal enseignement que je retire de l'article de PrismaX est le suivant : « La robotique n'est pas seulement une recherche en IA. C'est aussi un problème d'ingénierie dans le monde réel. » Aucune entreprise n'a d'argent infini, de robots infinis ou de temps infini pour entraîner des modèles. Cela signifie que les ensembles de données ne doivent pas seulement être volumineux. Ils doivent avoir la bonne structure, la bonne distribution et la bonne qualité pour que les modèles apprennent efficacement. Et c'est exactement pourquoi PrismaX se concentre fortement sur des ensembles de données robotiques contrôlés et de haute qualité au lieu de simplement courir après la quantité

Cette semaine, l'équipe de @axisrobotics a continué d'améliorer de nombreuses parties importantes de leur système de données robotiques, de la génération automatique de tâches et des environnements de simulation à la récupération après échec et à l'augmentation des données d'objets. Mais pour Zy, ce qui fait vraiment avancer un projet, ce n'est pas seulement la technologie elle-même, mais aussi le soutien et la contribution de la communauté. Et plus Zy reste avec Axis, plus ce sentiment devient réel. Voici quelques mises à jour qui ont vraiment marqué Zy cette semaine : • Le système de génération de tâches a été amélioré pour mieux comprendre les objets disponibles, les configurations d'environnement et les flux de travail à long terme à travers différentes incarnations de robots. • L'infrastructure de simulation est désormais beaucoup plus stable, surtout lors de l'exécution de tâches longues ou de la gestion de plusieurs objets en même temps. • Les contrôles des robots ont été améliorés grâce aux retours de la communauté, notamment pour la préhension, le mouvement du bras robotique et l'interface de contrôle. • L'une des choses les plus intéressantes est la manière dont l'équipe utilise les actions robotiques échouées ou presque échouées comme nouvelles données d'entraînement. Cela aide les robots à apprendre à se remettre de leurs erreurs au lieu d'apprendre uniquement à partir des tentatives réussies. De plus, Axis collabore également avec des groupes de recherche pour développer une technologie d'augmentation des données au niveau des objets. À partir d'un seul objet, le système peut générer plusieurs variations réalistes pour améliorer la qualité de l'entraînement. Zy expérimente le projet depuis plus d'une semaine maintenant, et honnêtement, c'est assez agréable. Certaines tâches peuvent encore sembler un peu lentes parfois, mais cela enseigne aussi la patience et la persévérance en chemin Quant à la communauté, il n'y a vraiment rien à redire. Tout le monde est actif, solidaire et toujours prêt à s'entraider. Surtout ce matin, Zy et quelques membres de la communauté ont rejoint Discord et ont lancé une petite session de karaoké ensemble 😂 C'était juste pour le plaisir, mais d'une certaine manière, cela a créé une ambiance vraiment chaleureuse et connectée. Des moments comme ceux-ci sont ce qui donne vraiment vie à une communauté. Espérons que nous pourrons tous continuer à maintenir cette énergie positive, à nous soutenir mutuellement et à rester unis jusqu'à la toute fin de l'aventure Axis ❤️ Merci beaucoup à tous.