Baovy06

• HODL durante tormentas, cosechando frutos al salir de la luna. • La posición lo hace todo. • Calma antes de la ola, firme delante del gráfico.

1 KSiguiendo

1,1 Kseguidores

Feed

El mercado de la IA robótica está creciendo increíblemente rápido ahora mismo. Desde conjuntos de datos de vídeo egocéntricos, sistemas de captura de movimiento, canales de datos sintéticos hasta herramientas de recopilación basadas en pinzas... Parece que cada semana se lanza una nueva empresa de datos en robótica. Pero el verdadero problema es: No todos los tipos de datos son útiles para entrenar robots. Antes de recopilar grandes cantidades de datos, la pregunta más importante debería ser: "¿Para qué entrenas exactamente al robot?" PrismaX divide la IA física en dos categorías principales: • Los modelos cinemáticos → centrados en el control robótico de bajo nivel. Cosas como el equilibrio, los saltos, la locomoción, la precisión del movimiento. • Los modelos de fundación → centrados en completar tareas del mundo real. Cosas como lavar platos, abrir puertas, recoger objetos, interactuar con los entornos. Y PrismaX se centra principalmente en modelos de cimentación — porque el futuro no solo necesita robots capaces de hacer volteretas hacia atrás. Necesita robots que realmente puedan ayudar a los humanos en la vida diaria. Lo que me pareció interesante es que PrismaX no está simplemente "vendiendo datos de robótica". Profundizan mucho en lo siguiente: • qué tipo de datos encaja con cada modelo • qué significa realmente los datos robóticos de alta calidad • qué debe variar dentro de los conjuntos de datos • y qué debe mantenerse consistente para una mejor convergencia Actualmente, la industria de la robótica está experimentando con diferentes formas de recopilar datos: • teleoperación → humanos controlando robots a distancia • Formación en vídeo humano → a partir de vídeos de personas realizando tareas • sistemas de agarre → humanos usando herramientas similares a las de las pinzas de orugas Cada método tiene sus propias fortalezas y debilidades. Pero PrismaX cree que la teleoperación sigue proporcionando los datos de mayor calidad porque es más controlable, más precisa y más fácil de usar para entrenar modelos de fondación. La mayor conclusión que saqué del artículo de PrismaX es esta: "La robótica no es solo investigación en IA. También es un problema de ingeniería real." Ninguna empresa tiene dinero infinito, robots infinitos o tiempo infinito para entrenar modelos. Eso significa que los conjuntos de datos no solo necesitan ser grandes. Necesitan la estructura adecuada, la distribución adecuada y la calidad adecuada para que los modelos aprendan de forma eficiente. Y precisamente por eso PrismaX se está centrando tanto en conjuntos de datos de robótica controlados y de alta calidad en lugar de simplemente perseguir la escala

Esta semana, el equipo de @axisrobotics continuó mejorando muchas partes importantes de su sistema de datos robóticos, desde la generación automática de tareas y entornos de simulación hasta la recuperación de fallos y la ampliación de datos de objetos. Pero para Zy, lo que realmente hace que un proyecto avance no es solo la tecnología en sí, sino también el apoyo y la contribución de la comunidad. Y cuanto más tiempo Zy permanece con Axis, más real se vuelve esa sensación. Aquí tienes algunas novedades que realmente llamaron la atención de Zy esta semana: • El sistema de generación de tareas ha sido actualizado para comprender mejor los objetos disponibles, la disposición del entorno y los flujos de trabajo a largo plazo entre diferentes incorporaciones de robots. • La infraestructura de simulación es ahora mucho más estable, especialmente al ejecutar tareas largas o manejar varios objetos al mismo tiempo. • Los controles de los robots se mejoraron basándose en la retroalimentación de la comunidad, especialmente para agarre, movimiento de brazos robóticos y la interfaz de control. • Una de las cosas más interesantes es cómo el equipo está utilizando acciones de robots fallidas o casi fallidas como nuevos datos de entrenamiento. Esto ayuda a los robots a aprender a recuperarse de los errores en lugar de solo aprender de intentos exitosos. Además, Axis también colabora con grupos de investigación para desarrollar tecnología de aumento de datos a nivel de objeto. A partir de un solo objeto, el sistema puede generar múltiples variaciones realistas para mejorar la calidad del entrenamiento. Zy lleva más de una semana experimentando el proyecto y, sinceramente, ha sido bastante disfrutable. Algunas tareas pueden parecer un poco lentas a veces, pero también enseñan paciencia y persistencia en el camino En cuanto a la comunidad, realmente no hay nada de qué quejarse. Todos son activos, solidarios y siempre dispuestos a ayudarse mutuamente. Especialmente esta mañana, Zy y algunos miembros de la comunidad se unieron a Discord y empezaron juntos una pequeña sesión 😂 de karaoke. Era solo por diversión, pero de alguna manera creó una sensación realmente cálida y conectada. Momentos como estos son los que realmente dan vida a una comunidad. Esperamos que todos podamos seguir manteniendo esta energía positiva, apoyándonos mutuamente y permaneciendo juntos hasta el final del viaje ❤️ del Eje Muchas gracias a todos.