Riesgo de las demos: los ángulos de cámara estáticos ocultan la fragilidad del modelo. Prueba real = misma tarea, distinto punto de vista.
@axisrobotics aborda esto reproduciendo demos de la comunidad con cámaras, iluminación, texturas y posiciones de objetos aleatorizadas. Convierte grabaciones individuales en conjuntos de entrenamiento variados.
Resultados del conjunto de datos V1: el preentrenamiento continuo elevó la tasa de éxito de π0.5 en LIBERO-Plus del 83,9 % → 88,8 % (+4,9 p.p.).
Propuesta de valor clave = un motor de datos que introduce variabilidad de distribución en demostraciones colaborativas. Tesis: los robots entrenados con reproducciones variadas generalizan mejor ante condiciones fuera de distribución.
Relevante para inversiones en infraestructura robótica y escalabilidad de modelos fundacionales en IA física.
@axisrobotics aborda esto reproduciendo demos de la comunidad con cámaras, iluminación, texturas y posiciones de objetos aleatorizadas. Convierte grabaciones individuales en conjuntos de entrenamiento variados.
Resultados del conjunto de datos V1: el preentrenamiento continuo elevó la tasa de éxito de π0.5 en LIBERO-Plus del 83,9 % → 88,8 % (+4,9 p.p.).
Propuesta de valor clave = un motor de datos que introduce variabilidad de distribución en demostraciones colaborativas. Tesis: los robots entrenados con reproducciones variadas generalizan mejor ante condiciones fuera de distribución.
Relevante para inversiones en infraestructura robótica y escalabilidad de modelos fundacionales en IA física.