Baovy06

• HODL attraverso temporali, raccogliendo frutti all'alba della luna. • La posizione fa tutto. • Calma prima dell'onda, saldo davanti alla mappa.

1.020Segui già

1.063follower

Feed

Il mercato dell'AI per la robotica sta crescendo a una velocità pazzesca in questo momento. Da dataset video egocentrici, sistemi di motion capture, pipeline di dati sintetici a strumenti di raccolta basati su pinze… sembra che ogni settimana venga lanciata una nuova azienda di dati per la robotica. Ma il vero problema è: non tutti i tipi di dati sono utili per addestrare i robot. Prima di raccogliere enormi quantità di dati, la domanda più importante dovrebbe essere: "Cosa stai esattamente addestrando il robot a fare?" PrismaX suddivide l'AI fisica in 2 categorie principali: • Modelli cinematici → focalizzati sul controllo robotico a basso livello. Cose come equilibrio, salti, locomozione, precisione del movimento. • Modelli fondamentali → focalizzati sul completamento di compiti nel mondo reale. Cose come lavare i piatti, aprire porte, prendere oggetti, interagire con gli ambienti. E PrismaX si concentra principalmente sui modelli fondamentali — perché il futuro non ha bisogno solo di robot che sanno fare capriole. Ha bisogno di robot che possano effettivamente aiutare gli esseri umani nella vita quotidiana. Quello che ho trovato interessante è che PrismaX non si limita a "vendere dati per la robotica." Approfondiscono molto di più: • che tipo di dati si adattano a ogni modello • cosa significa realmente dati di robotica di alta qualità • cosa dovrebbe variare all'interno dei dataset • e cosa dovrebbe rimanere coerente per una migliore convergenza In questo momento, l'industria della robotica sta sperimentando diversi modi di raccogliere dati: • teleoperazione → umani che controllano i robot da remoto • video umani → addestramento da video di persone che svolgono compiti • sistemi con pinze → umani che usano strumenti tracciati simili a pinze Ogni metodo ha i suoi punti di forza e di debolezza. Ma PrismaX crede che la teleoperazione fornisca ancora i dati di qualità più alta perché è più controllabile, più precisa e più facile da usare per addestrare modelli fondamentali. La cosa più importante che ho tratto dall'articolo di PrismaX è questa: "La robotica non è solo ricerca sull'AI. È anche un problema di ingegneria nel mondo reale." Nessuna azienda ha soldi infiniti, robot infiniti o tempo infinito per addestrare modelli. Questo significa che i dataset non devono solo essere grandi. Devono avere la struttura giusta, la distribuzione giusta e la qualità giusta affinché i modelli apprendano in modo efficiente. Ed è proprio per questo che PrismaX si concentra fortemente su dataset di robotica controllati e di alta qualità invece di inseguire semplicemente la scala

Questa settimana, il team di @axisrobotics ha continuato a migliorare molte parti importanti del loro sistema di dati per la robotica, dalla generazione automatica di compiti e ambienti di simulazione al recupero da guasti e all'aumento dei dati sugli oggetti. Ma per Zy, ciò che fa davvero andare lontano un progetto non è solo la tecnologia in sé, ma anche il supporto e il contributo della comunità. E più Zy rimane con Axis, più quella sensazione diventa reale. Ecco alcuni aggiornamenti che hanno colpito particolarmente Zy questa settimana: • Il sistema di generazione dei compiti è stato aggiornato per comprendere meglio gli oggetti disponibili, le disposizioni ambientali e i flussi di lavoro a lungo termine attraverso diverse incarnazioni robotiche. • L'infrastruttura di simulazione è ora molto più stabile, specialmente durante l'esecuzione di compiti lunghi o la gestione simultanea di più oggetti. • I controlli del robot sono stati migliorati basandosi sul feedback della comunità, in particolare per la presa, il movimento del braccio robotico e l'interfaccia di controllo. • Una delle cose più interessanti è come il team stia utilizzando azioni robotiche fallite o quasi fallite come nuovi dati di addestramento. Questo aiuta i robot a imparare come recuperare dagli errori invece di apprendere solo dai tentativi riusciti. Inoltre, Axis sta collaborando con gruppi di ricerca per sviluppare una tecnologia di aumento dei dati a livello di oggetto. Da un singolo oggetto, il sistema può generare molteplici variazioni realistiche per migliorare la qualità dell'addestramento. Zy sta vivendo il progetto da più di una settimana ormai, e onestamente è stato piuttosto piacevole. Alcuni compiti possono ancora sembrare un po' lenti a volte, ma insegnano anche pazienza e perseveranza lungo il percorso Per quanto riguarda la comunità, non c'è davvero nulla di cui lamentarsi. Tutti sono attivi, di supporto e sempre disposti ad aiutarsi a vicenda. Specialmente questa mattina, Zy e alcuni membri della comunità si sono uniti a Discord e hanno iniziato una piccola sessione di karaoke insieme 😂 È stato solo per divertimento, ma in qualche modo ha creato una sensazione davvero calda e connessa. Momenti come questi sono ciò che dà veramente vita a una comunità. Speriamo che tutti noi possiamo continuare a mantenere questa energia positiva, supportarci a vicenda e restare uniti fino alla fine del viaggio con Axis ❤️ Grazie a tutti di cuore.