Axis Robotics

https://t.co/dlXi2FrS92

نستخدم ODE Policy لتقطير السياسات البصرية، وقد حققنا نتائج أولية واعدة. يتيح تعلّم كيفية تطور الأفعال بمرور الوقت للسياسة طريقة طبيعية لالتقاط استمرارية حركة الروبوت.

في الفيديو، يتعلم روبوت Franka الخاص بنا تركيب صامولة على برغي في المحاكاة، https://t.co/KOqQgNUOOf https://t.co/g5uoJMrUJj

6/6

عندما تكون البيانات الواقعية شحيحة، فإن الاختيار الدقيق يضفي على بيانات المحاكاة قيمة أكبر مما يضفيه حجمها وحده. وتوفّر المنفعة القائمة على التأثير والتغطية طريقة ذات حلقة مغلقة لاختيار عروض توضيحية تنتقل فائدتها فعليًا إلى الروبوتات الواقعية.

صفحة المشروع: https://t.co/MH0EtHzwbl
الورقة البحثية: https://t.co/chC7Y4qYwh

5/6 تجارب المحاكاة

نتحقق من صحة المعيار في إعدادين محاكيين باستخدام البروتوكول نفسه، ونحسب المتوسط عبر ثلاث بذور عشوائية.

محاكي واحد (RoboMimic). يشترك المصدر والهدف في محاكي واحد، ما يعزل معيار الانتقاء عن أي فجوة بين المجالين. في مهمتَي الرفع والمربع، https://t.co/kFxIY1Bzc7

4/6 تجارب في العالم الحقيقي

تبدأ كل مهمة بـ10 عروض توضيحية حقيقية فقط، جرى تنفيذها بالتحكم عن بُعد، وهي أقل بكثير من العدد الكافي لتدريب سياسة بمفردها (متوسط النجاح 16.7%). ثم نضيف عروضًا توضيحية محاكاة للمهمة نفسها، إما 1,200 عرض كاملة أو 600 اختيرت بطريقة انتقاء، مع الحفاظ دائمًا على النسبة نفسها للمزج بين البيانات الحقيقية وبيانات المحاكاة https://t.co/TbOBCevz1W

٣/٦ المنهجية

تعمل سلسلة المعالجة على ثلاث خطوات.

• قيّم كل عرض توضيحي للمحاكاة مقابل عمليات التنفيذ المستهدفة. تُنفَّذ سياسة أساسية في المجال المستهدف، وتحمل كل عملية تنفيذ عائدها الخاص. ولكل عرض توضيحي، تسأل دالة التأثير: لو مُنح هذا العرض التوضيحي وزنًا أكبر، فأيّ عمليات التنفيذ ستـ https://t.co/dk7efn2noz

2/6 الفكرة

يمكن للعروض التوضيحية بالمحاكاة أن تعوّض نقص البيانات الواقعية، لكن الأساليب الحالية تفتقر إلى معيار موحّد لقياس المنفعة على مستوى المسار والتغطية على مستوى المجموعة، انطلاقًا من سلوك الهدف ذي الحلقة المغلقة.

TUCO، اختصارًا لعبارة المنفعة على مستوى المسار والتغطية على مستوى المجموعة

كيف تختار عروض المحاكاة التوضيحية للتدريب المشترك عندما تكون بيانات الروبوتات الحقيقية شحيحة؟

نقدّم TUCO: تنسيق عروض المحاكاة التوضيحية للتدريب المشترك لسياسات الروبوتات من المحاكاة إلى الواقع، وهي أول دراسة منهجية لتنظيم البيانات من أجل التدريب المشترك لسياسات الروبوتات من المحاكاة إلى الواقع.

وذلك عبر الرابط فقط: https://t.co/1OpWHGpgHM

نعمل على بناء بنية روبوتية متعددة الطبقات، حيث يتولى نموذج اللغة الكبير (LLM) الاستدلال على المستوى العالي وإطار المهارات.

إليك عرضًا توضيحيًا. المهمة: استخدم الذراع اليمنى لترتيب ثلاثة أشياء من الصينية في صف على طول المحور X للطاولة، وفقًا لارتفاعها من الأطول إلى https://t.co/T1of7ZUfHc https://t.co/MhUckMKF3z

$AXIS التخزين متاح الآن على @HTX_Global بعائد سنوي يصل إلى 150% ⬇️ https://t.co/XQziYCamhz

يمكنك التحقق من كل خطوة على السلسلة:

أمر TWAP: https://t.co/dlVcT4wFSl

تحويل الخزانة: https://t.co/95aAavItlA https://t.co/m1vMJmMHOW

الإعلان عن إعادة شراء الرمز $AXIS

محرك البيانات لدينا يشغّل تطبيقات الذكاء الاصطناعي المادي في مختلف سيناريوهات العالم الحقيقي. ونريد أن يشارك كل مساهم في ثماره مباشرةً.

نطلق عملية إعادة شراء الرمز $AXIS ، وقد اكتملت بالفعل الشريحة الأولى البالغة 150 ألف دولار.

1. إعلاننا التجاري https://t.co/wGhtDOWezS

دليل تعليمي كامل من أبرز المساهمين لدينا ⬇️ https://t.co/Z6CgX583hr

تحديث المنتج 🛠️

قلّلنا عدد خانات المهام المتاحة. إليكم السبب.

1️⃣ أصبح GPT-6 قادرًا الآن على حلّ المهام البسيطة وإنشاء مسارات موثوقة لها. وسنواصل تقليل أعمال جمع البيانات المتكررة مع تقدمنا.
2️⃣ تظل العروض التوضيحية عالية الجودة التي يقدمها البشر ضرورية https://t.co/nCXR4P1m4J

تحديث المنتج 🛠️

قلّلنا عدد خانات المهام المفتوحة. إليك السبب.

1️⃣ أصبح بإمكان GPT-6 الآن حل المهام البسيطة وإنشاء مسارات موثوقة لتنفيذها.
2️⃣ تظل العروض التوضيحية عالية الجودة التي يقدمها البشر ضرورية للمهام المعقدة. وتفوق قيمة هذه العروض بكثير قيمة https://t.co/UuTVBuIGQz

روابط 7/7

استكشف AXIS-Bench ومصادر البيانات الأخرى لدينا:

موارد المشروع:
صفحة المشروع: https://t.co/9pvWoFdRzu
الورقة البحثية: https://t.co/6Irf55g2d5
الشفرة البرمجية: https://t.co/ONkJ4k41qL
جرّب Axis Hub: https://t.co/brRVGQrYVQ

مجموعات البيانات:
مجموعة بيانات Axis V2: https://t.co/se54ZroQe4 https://t.co/BdFhBbhaxj

6/7 إصدار البيانات

أُطلقت مجموعة بيانات Axis V1 في أغسطس. ومنذ ذلك الحين، أنشأنا مجموعة بيانات V2، التي تغطي الآن 1,092 مهمة و2.35 مليون حلقة (بما في ذلك تحسين الصور بالكاميرا). وجميع مجموعات البيانات المصاحبة المستخدمة في AXIS-Bench مُنتقاة من مجموعة V2:

• مجموعة بيانات التدريب المسبق. 5,000 عنصر مُحاكى https://t.co/U7FM0ja7T3

5/7 من المحاكاة إلى الواقع

يتضمن AXIS-Bench أيضًا سير عمل مرجعيًا وخط أساس للتجارب في العالم الحقيقي: قم بمحاذاة الكاميرات وحيز العمل المُحاكاة، وأعد عرض العروض التوضيحية المسجلة، واضبط النموذج بدقة باستخدام مجموعة صغيرة من العروض التوضيحية الواقعية.

على Franka FR3، التدريب المسبق العادي لـ BC على https://t.co/RJGbCqqnNA

4/7 النتائج الرئيسية

• طريقة استخدام الجودة مهمة. يؤدي تكييف الحلقات مع مراعاة النهج إلى تحسين متوسط النجاح مقارنةً بالاستنساخ السلوكي البسيط (BC) في نماذج VLA الثلاثة: مكاسب نسبية متوسطة تبلغ +3.9% و+23.4% و+5.6% عبر ثلاث بذور تدريب (π₀.₅ وSmolVLA وX-VLA).

• مستوى التفصيل https://t.co/PWoi9hpmnt

3/7 إعداد التجربة

نقارن بين ثلاثة أساليب تراعي الجودة: الترجيح، والتصفية، والاشتراط، عبر تعريفين للمكافأة (المتمحور حول الكائن والمراعي لأسلوب الاقتراب) ومستويين من دقة التسميات (الحلقة ومقطع الإجراء).

تستخدم الدراسة المضبوطة 5,000 عملية محاكاة https://t.co/ATyOleyayw