Baovy06
Baovy06
• HODL genom åskväder och skördar frukt vid månuppgång. • Positionen gör allt. • Lugn inför vågen, stadig framför kartan.
1 tnFöljer
1,1 tnföljare
Flöde
Flöde
Den här världen....
Människor skiljs åt av sina egna ord som de vägrar att uttala.....
Det är därför alla bara pratade med Zy i all hast.... Zy är alltid här och väntar och lyssnar....
P/S Det här vinet är utsökt 🤭🤭 att dricka
@quipnetwork @NucleusCodes @sleepagotchi
Baovy06
Marknaden för robotik AI växer otroligt snabbt just nu.
Från egocentriska videodatamängder, rörelsefångstsystem, syntetiska datapipelines till griparbaserade insamlingsverktyg... Det känns som att ett nytt robotikdataföretag lanseras varje vecka.
Men det verkliga problemet är:
Inte alla typer av data är användbara för att träna robotar.
Innan man samlar in enorma mängder data bör den viktigaste frågan vara:
"Vad exakt tränar du roboten att göra?"
PrismaX delar in fysisk AI i två huvudkategorier:
• Kinematikmodeller → fokuserade på lågnivåstyrning av robotar.
Saker som balans, hopp, rörelseprecision, rörelseprecision.
• Grundmodellerna → fokuserade på att slutföra verkliga uppgifter.
Saker som att diska, öppna dörrar, plocka föremål, interagera med miljön.
Och PrismaX fokuserar främst på grundmodeller – eftersom framtiden inte bara behöver robotar som kan göra bakåtvolter.
Det behövs robotar som faktiskt kan hjälpa människor i vardagen.
Det jag fann intressant är att PrismaX inte bara "säljer robotikdata."
De går mycket djupare in:
• vilken typ av data som passar varje modell
• vad högkvalitativ robotikdata faktiskt betyder
• vad som bör variera i datamängder
• och vad som bör förbli konsekvent för bättre konvergens
Just nu experimenterar robotikindustrin med olika sätt att samla in data:
• teleoperation → människor fjärrstyr robotar
• mänsklig video → träning från videor av personer som utför uppgifter
• gripsystem → människor med spårade griparliknande verktyg
Varje metod har sina egna styrkor och svagheter.
Men PrismaX anser att teleoperation fortfarande ger data av högsta kvalitet eftersom det är mer kontrollerbart, mer exakt och enklare att använda för att träna grundmodeller.
Den största insikten för mig från PrismaX:s artikel är denna:
"Robotik är inte bara AI-forskning.
Det är också ett verkligt ingenjörsproblem."
Inget företag har oändliga pengar, oändliga robotar eller oändlig tid att träna modeller.
Det betyder att dataset inte bara behöver vara stora.
De behöver rätt struktur, rätt fördelning och rätt kvalitet för att modeller ska kunna lära sig effektivt.
Och det är just därför PrismaX fokuserar starkt på kontrollerade, högkvalitativa robotikdatamängder istället för att bara jaga skala
Marknaden för robotik AI växer otroligt snabbt just nu.
Från egocentriska videodatamängder, rörelsefångstsystem, syntetiska datapipelines till griparbaserade insamlingsverktyg... Det känns som att ett nytt robotikdataföretag lanseras varje vecka.
Men det verkliga problemet är:
Inte alla typer av data är användbara för att träna robotar.
Innan man samlar in enorma mängder data bör den viktigaste frågan vara:
"Vad exakt tränar du roboten att göra?"
PrismaX delar in fysisk AI i två huvudkategorier:
• Kinematikmodeller → fokuserade på lågnivåstyrning av robotar.
Saker som balans, hopp, rörelseprecision, rörelseprecision.
• Grundmodellerna → fokuserade på att slutföra verkliga uppgifter.
Saker som att diska, öppna dörrar, plocka föremål, interagera med miljön.
Och PrismaX fokuserar främst på grundmodeller – eftersom framtiden inte bara behöver robotar som kan göra bakåtvolter.
Det behövs robotar som faktiskt kan hjälpa människor i vardagen.
Det jag fann intressant är att PrismaX inte bara "säljer robotikdata."
De går mycket djupare in:
• vilken typ av data som passar varje modell
• vad högkvalitativ robotikdata faktiskt betyder
• vad som bör variera i datamängder
• och vad som bör förbli konsekvent för bättre konvergens
Just nu experimenterar robotikindustrin med olika sätt att samla in data:
• teleoperation → människor fjärrstyr robotar
• mänsklig video → träning från videor av personer som utför uppgifter
• gripsystem → människor med spårade griparliknande verktyg
Varje metod har sina egna styrkor och svagheter.
Men PrismaX anser att teleoperation fortfarande ger data av högsta kvalitet eftersom det är mer kontrollerbart, mer exakt och enklare att använda för att träna grundmodeller.
Den största insikten för mig från PrismaX:s artikel är denna:
"Robotik är inte bara AI-forskning.
Det är också ett verkligt ingenjörsproblem."
Inget företag har oändliga pengar, oändliga robotar eller oändlig tid att träna modeller.
Det betyder att dataset inte bara behöver vara stora.
De behöver rätt struktur, rätt fördelning och rätt kvalitet för att modeller ska kunna lära sig effektivt.
Och det är just därför PrismaX fokuserar starkt på kontrollerade, högkvalitativa robotikdatamängder istället för att bara jaga skala
Naturligtvis saknar jag Hanoi
Det var länge sedan jag besökte Hanoi
Den milda vinden från West Lake blåser lotusdoft
Grönt och rött café med lampor
Bilar kör ner och ner i träd längs vägen med fallna löv
Fötter som går genom varje gata
Mitt i sommaren blommar fenixen starkt med blommor
Det ljusa solljuset faller på varje tråd under verandan
Hur många minnen minns våra hjärtan......
@quipnetwork @NucleusCodes @sleepagotchi
Om du har varit aktiv i @sleepagotchi-ekosystemet är det nu dags att kontrollera din behörighet
Projektet har officiellt lanserat sin Creator Leaderboard på Nucleus Codes med en enorm belöningspool på 120 000 dollar i $SLEEP för skapare och aktiva medlemmar i communityn.
Det som gör Sleepagotchi intressant är att det inte bara är ännu ett web3-spel. Teamet bygger kring sömn-fi, gamification och AI-välmående, och skapar ett unikt ekosystem som skiljer sig från typiska GameFi-projekt.
De har också samlat in miljontals i finansiering och konsekvent drivit communitykampanjer med starkt engagemang och solida belöningar för användarna.
Om du har gjort uppgifter, spelat deras minispel eller stöttat projektet på sociala medier tidigare, kolla din behörighet nu
Gå med nu:
Den här veckan fortsatte teamet på @axisrobotics att förbättra många viktiga delar av sitt robotikdatasystem, från automatisk uppgiftsgenerering och simuleringsmiljöer till felåterställning och förstärkning av objektdata.
Men för ZY är det som verkligen gör att ett projekt går långt inte bara teknologin i sig, utan också stödet och bidraget från communityn.
Och ju längre Zy stannar hos Axis, desto mer blir den känslan verklig.
Här är några uppdateringar som verkligen stack ut för Zy den här veckan:
• Uppgiftsgenereringssystemet har uppgraderats för att bättre förstå tillgängliga objekt, miljölayouter och långhorisontsflöden över olika robotkroppar.
• Simuleringsinfrastrukturen är nu mycket mer stabil, särskilt vid långa uppgifter eller hantering av flera objekt samtidigt.
• Robotkontrollerna förbättrades baserat på feedback från communityn, särskilt för grepp, robotarmsrörelser och kontrollgränssnittet.
• En av de mest intressanta sakerna är hur teamet använder misslyckade eller nästan misslyckade robothandlingar som ny träningsdata. Detta hjälper robotar att lära sig att återhämta sig från misstag istället för att bara lära sig av lyckade försök.
Dessutom samarbetar Axis även med forskargrupper för att utveckla objektnivå-dataförstärkningsteknologi. Från ett enda objekt kan systemet generera flera realistiska varianter för att förbättra träningskvaliteten.
Zy har upplevt projektet i mer än en vecka nu, och ärligt talat har det varit ganska roligt. Vissa uppgifter kan fortfarande kännas lite laggiga ibland, men det lär också ut tålamod och uthållighet längs vägen
När det gäller communityn finns det egentligen inget att klaga på. Alla är aktiva, stöttande och alltid villiga att hjälpa varandra.
Speciellt i morse gick Zy och några medlemmar i communityn med i Discord och startade en liten karaokesession tillsammans 😂. Det var bara för skojs skull, men på något sätt skapade det en väldigt varm och sammanlänkad känsla. Stunder som dessa är det som verkligen ger liv åt en gemenskap.
Förhoppningsvis kan vi alla fortsätta att behålla denna positiva energi, stötta varandra och hålla ihop ända till slutet av axelmakternas resa ❤️
Tack så mycket allihop.
Axis AI
Axis Weekly
Den här veckan fortsatte vi att stärka vår slutna robotikdatapipeline, från TaskGen och simuleringsinfrastruktur till felåterställning och tillgångsnivåförstärkning.
Viktiga uppdateringar:
- Uppgiftsgenerering: Vi genomförde en tillgångsskanning och slog ihop den med TaskGen, vilket hjälpte genererade uppgifter att resonera över tillgängliga tillgångar, scenlayouter, långhorisontsarbetsflöden och multi-embodiment-inställningar.
- Simuleringsinfrastruktur: Vi förbättrade MuJoCos verifierings-, återuppspelnings- och scenvariantarbetsflöden, med lösningar kring upprepade nedladdningar, caching, kompatibilitet och långsiktig multi-asset-uppgiftsstabilitet.
- Robotkontroller: Vi har rensat grepparbeteende, IK, teleoperation och kontrollpanelen baserat på återkoppling från uppgifter med längre horisont och flera tillgångar.
Återställning av misslyckande: Vi fortsatte att bygga en pipeline för att omvandla misslyckade och nästan misslyckade gräs-tillstånd till återanvändbar data för inlärning av återställning.
- Tillgångsförstärkning: Tillsammans med akademiska samarbetspartners utvecklade vi en formförstärkningsriktning som kan utöka en frötillgång till många fysiskt rimliga objektvarianter.
En närmare titt på veckans framsteg 🧵
Baovy06 delade inlägget
Melody Vietnam National Ambassador Program|Rekrytering av 1 ledare
Melody lanserar Vietnam National Ambassador Program för att växa lokala samhällen, innehållskontakt och offline-effekt. Vi rekryterar en nationell ambassadör för att representera Melody i hela Vietnam och knyta kontakter med musikfans, Web3-användare och skapare.
Applikationskanal:
#RWA #MusicFi #MELO
Baovy06 delade inlägget
Axis Weekly
Den här veckan fortsatte vi att stärka vår slutna robotikdatapipeline, från TaskGen och simuleringsinfrastruktur till felåterställning och tillgångsnivåförstärkning.
Viktiga uppdateringar:
- Uppgiftsgenerering: Vi genomförde en tillgångsskanning och slog ihop den med TaskGen, vilket hjälpte genererade uppgifter att resonera över tillgängliga tillgångar, scenlayouter, långhorisontsarbetsflöden och multi-embodiment-inställningar.
- Simuleringsinfrastruktur: Vi förbättrade MuJoCos verifierings-, återuppspelnings- och scenvariantarbetsflöden, med lösningar kring upprepade nedladdningar, caching, kompatibilitet och långsiktig multi-asset-uppgiftsstabilitet.
- Robotkontroller: Vi har rensat grepparbeteende, IK, teleoperation och kontrollpanelen baserat på återkoppling från uppgifter med längre horisont och flera tillgångar.
Återställning av misslyckande: Vi fortsatte att bygga en pipeline för att omvandla misslyckade och nästan misslyckade gräs-tillstånd till återanvändbar data för inlärning av återställning.
- Tillgångsförstärkning: Tillsammans med akademiska samarbetspartners utvecklade vi en formförstärkningsriktning som kan utöka en frötillgång till många fysiskt rimliga objektvarianter.
En närmare titt på veckans framsteg 🧵