Axis Robotics, Franka kol manipülasyonu için en büyük açık kaynaklı simülasyon veri setlerinden biri olan Axis Sim Dataset V1'i yayınladı. Tam veri seti, eğitim kodu ve kıyaslamalar artık herkese açık. V1, simüle edilmiş bir Franka Research 3 kolu üzerinde 207 manipülasyon görevi ve 60.000'den fazla sahne çeşitlemesi boyunca 50.000'den fazla insan tarafından uzaktan çalıştırılan simülasyon yörüngesinden oluşturuldu. Veri seti 160.000'den fazla indirme aldı ve Hugging Face'te en çok indirilen açık kaynaklı Franka manipülasyon simülasyon veri seti oldu. Kıyaslamalarda, V1 üzerinde sürekli ön eğitim π0.5 performansını artırdı ve hacim eşleştirmeli RoboCasa taban çizgisini geride bıraktı; tüm sonuçlar açık ve doğrulanabilir durumda.
Axis Robotics, Fiziksel Yapay Zeka için birleşik bir veri motoru inşa ediyor—büyük ölçekli simülasyonu, ego-merkezli gerçek dünya yakalamayı, insansı lokomansipülasyonu ve insan kapılı DAgger sonrası eğitimi birleştiren tam entegre bir sistem. Şirket, Hack VC liderliğinde, Nomad Capital, Pi Network Ventures, 10K Ventures ve melek yatırımcıların katılımıyla 12 milyon dolarlık tohum yatırımı topladı.
"Yalnızca Temiz Veri"ye Karşı Bir Bahis
Robotikte yaygın bir varsayım, gösterimlerin baştan itibaren neredeyse optimal olması gerektiğidir—taklit öğrenmesi çalışmadan önce uzman yörüngelerine filtreleyin, kurulumu standartlaştırın ve gürültülü verileri kaldırın. Axis bunun tam tersi görüşü benimsiyor: veri kalitesi, bireysel yörüngelerle değil, dağılım düzeyinde belirlenir. Büyük ve çeşitli bir kalabalık gürültülü, optimal olmayan yörüngeler ürettiğinde ve hataları ilişkisiz olduğunda, gürültü birbirini iptal eder ve eğitim sırasında çalışan bir politika ortaya çıkar. Axis Sim Dataset V1 bu fikri halka açık bir teste tabi tutuyor. Yörüngeleri; alma-bırakma, istifleme, dökme, eklemli nesne manipülasyonu ve alet kullanımını kapsıyor ve tümü, tek bir uzman ekip yerine dağıtılmış bir kalabalık tarafından Axis'in tarayıcı tabanlı uzaktan çalıştırma platformu Axis Hub üzerinden toplandı. Veri seti, UC Berkeley, Johns Hopkins, Michigan Üniversitesi ve diğer kurumlardan araştırmacılarla geliştirildi.
Ölçeklenen Sonuçlar
LIBERO-Plus üzerinde, V1 ile sürekli ön eğitim π0.5 başarısını %83,9'dan %88,8'e çıkarıyor ve hacim eşleştirmeli RoboCasa365 taban çizgisini %37,3 oranında geride bırakıyor. Ön eğitim verileri veri setinin %25'inden %100'üne ölçeklendikçe performans istikrarlı bir şekilde artıyor ve doygunluk belirtisi göstermiyor—bu, kazanımların tek seferlik bir artıştan değil, çeşitlilik ve kapsamdan geldiğinin kanıtı. En büyük iyileştirmeler, Axis'in üretim sırasında rastgeleleştirdiği varyasyonlar olan kamera, sensör gürültüsü ve düzen bozulmaları altında görülüyor. Ekip, V2'nin zaten devam ettiğini, 1.200 görevde 1,2 milyon yörüngeye ölçeklendiğini ve çapraz gövde genelleştirmesi ile birden fazla VLA modeli üzerindeki sonuçların, optimal olmayan simülasyon verilerinin sağlam politikalar eğitebileceğini gösterdiğini söylüyor.
Veri Setinin Arkasındaki Motor
Veri seti, daha büyük, sürekli birleşen bir veri motorunun bir çıktısıdır. Geleneksel bir veri satıcısı sabit bir spesifikasyona göre toplayıp dururken, Axis sırada ne toplayacağına karar vermek için model performansını ve hata durumlarını kullanır, böylece her eğitim turu bir sonrakini bilgilendirir. Bu motor, dört veri hattı üzerinde hibrit bir stratejiyle çalışıyor ve tümü artık ölçekte faaliyet gösteriyor:
- Simülasyon: Base üzerinde ilk 3 dApp olan Axis Hub'daki 200.000'den fazla dağıtılmış katkıcı, 13 gövdede 4,7 milyon+ yörünge üretti.
- Ego-merkezli: 1.000'den fazla tam zamanlı, kalite kontrol eğitimli toplayıcıdan oluşan yönetilen bir ağ, 14 endüstride gerçek evlerde ve işletmelerde birinci şahıs aktivitesini yakalıyor. 200.000 saatin üzerinde veri biriktirildi ve günlük 4.000+ saat artıyor; Vicon doğrulamalı el pozuyla.
- Lokomansipülasyon: Donanım-bağımsız uzaktan çalıştırma yoluyla gerçek insansılarda (Unitree G1, Booster T2) hareketlilik ve el becerisini birleştiren 500+ saat.
- İnsan kapılı DAgger sonrası eğitim: Dağıtım uç durumlarına odaklanan 500+ saat insan döngüde düzeltme.
Her görev ve yörünge, kaynak takibi için Base üzerinde zincir üstünde kaydedilir ve katkıcılar doğrulanmış iş kalitesi için ödüllendirilir.
Açık Veriden Ticari Dağıtıma
Açık kaynaklı simülasyon verilerinin ötesinde, Axis, belirli ihtiyaçları için özelleştirilmiş veri setleri oluşturmak üzere robot gövde şirketleriyle doğrudan çalışır. Axis, her robotik gövdeye göre uyarlanmış özel veri hatları ve model öncelikleri inşa eder. Booster Robotics'in ilk simülasyon verisi ortağı olarak Axis, Booster'ın gerçek çalışma alanını görev odaklı bir dijital ikiz olarak yeniden oluşturdu. Dağıtılmış katkıcılar daha sonra üzerinde 42.000'den fazla simülasyon bölümü çalıştırdı ve Axis bunları Booster'ın ihtiyaçlarına özel bir model önceliğine damıttı. Yalnızca 30 gerçek robot gösterimi kullanarak, bu öncelik %87,5 başarı oranı elde etti; standart bir π0.5 modeli için bu %37,5 iken—gerçek dünya gösterimlerinin yalnızca yarısıyla π0.5'in performansına eşitlendi.
Axis'in diğer ortakları arasında Feagine Robotics gibi gövde şirketleri, Manycore Tech ve Dexmal gibi model şirketleri ve Lotus Cars ile Geely Auto gibi endüstriyel otomasyon firmaları yer alıyor. Axis ayrıca Solana üzerinde BitRobot ve Bittensor üzerinde OpenRoboto dahil olmak üzere zincir üstü robotik ağlarına güç sağlıyor.
Fiziksel Yapay Zekanın Veri Temelini Yeniden Tanımlamak
"Fiziksel Yapay Zekanın geleceği, bir kez indirdiğiniz statik bir veri seti değil," dedi Axis Robotics'in kurucusu Chris Feng. "Modelin sırada ihtiyaç duyduğu veriyi üretmeye devam eden bir motor. Ölçek size geniş kapsam sağlar. Çeşitlilik gürültüyü tarafsız tutar. Kapalı döngü her hatayı ilerlemeye dönüştürür. Birleşen şey budur."
Axis, UC Berkeley, CMU, Georgia Tech ve SJTU'dan araştırmacılar ile tüketici platformlarını 30 milyondan fazla kullanıcıya ölçeklendirmiş seri girişimciler tarafından kuruldu. Araştırmaları, Georgia Tech'te Yardımcı Doçent olan Jiachen Li tarafından danışmanlık ediliyor.
Makale Bağlantısı: https://arxiv.org/abs/2607.21588
Proje Sayfası: https://axisaiorg.github.io/AXIS-V1/
Veri Seti Bağlantısı: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
GitHub Kod Tabanı: https://github.com/AxisAIOrg/Axis-V1-Training
Sıkça Sorulan Sorular
Axis Robotics'in açık kaynaklı Franka kol simülasyon veri seti hakkında, hem yeni başlayanlar hem de deneyimli robotik uzmanları için açık, pratik ve faydalı olacak şekilde tasarlanmış SSS listesi aşağıdadır
Genel ve Başlangıç Soruları
S Axis Robotics tam olarak ne yayınladı
C Franka robot kolları için özel olarak devasa bir açık kaynaklı simüle edilmiş veri seti yayınladılar. Robotun simüle edilmiş bir ortamda görevleri gerçekleştirmesine dair milyonlarca örnek ve buna eşlik eden sensör verilerini içeriyor
S Bu neden Fiziksel Yapay Zeka için büyük bir olay
C Fiziksel Yapay Zekanın gerçek dünyayla nasıl etkileşime gireceğini anlaması gerekiyor. Bu yapay zeka modellerini eğitmek genellikle toplanması yavaş ve pahalı olan büyük miktarda gerçek dünya verisi gerektirir. Bu veri seti, yapay zeka modellerinin önce simülasyonda milyarlarca kez pratik yapmasına olanak tanıyan devasa, yüksek kaliteli bir kısayol sağlar
S Simülasyon veri seti nedir
C Fiziksel bir robot yerine bir bilgisayar programı içinde üretilen veri koleksiyonudur. Bunu, her eylemin ve gözlemin yapay zeka için eğitim verisi oluşturmak amacıyla kaydedildiği robotlar için bir video oyunu gibi düşünün
S Robotikte yeniyim. Bu veri setini kullanabilir miyim
C Kesinlikle. Açık kaynaklı olduğu için indirip öğrenmek için kullanabilirsiniz. Robotik sensör verilerinin neye benzediğini anlamak için verileri keşfederek başlayabilirsiniz. Uygulamalı kullanım için biraz temel Python ve makine öğrenmesi bilgisi faydalıdır, ancak giriş engeli kendi fiziksel robotunuza sahip olmaktan çok daha düşüktür
S Bu veri seti yalnızca belirli Franka robotu için mi yoksa diğer robotlar için de kullanabilir miyim
C Veriler, Franka kolunun hareketlerine ve sensörlerine özgüdür. Ancak öğrendiğiniz teknikler ve eğittiğiniz yapay zeka modelleri, özellikle model aktarımını destekleyen bir çerçeve kullanıyorsanız, genellikle diğer benzer robot kollarına uyarlanabilir veya aktarılabilir
Teknik ve İleri Düzey Sorular
S Veri seti hangi belirli formatta
C Veri seti genellikle HDF5 veya benzeri yapılandırılmış bir formatta, genellikle RLBench veya Robosuite gibi yaygın robot öğrenme çerçeveleriyle uyumlu olarak sağlanır. Genellikle RGBD kamera akışlarını, derinlik haritalarını, robot eklem durumlarını ve eylem yörüngelerini içerir