Axis Robotics har slĂ€ppt Axis Sim Dataset V1, ett av de största open source-simuleringsdatasetet för Franka-armmanipulation. Hela datasetet, trĂ€ningskoden och riktmĂ€rkena Ă€r nu offentligt tillgĂ€ngliga. V1 Ă€r byggt frĂ„n över 50 000 mĂ€nskligt teleopererade simuleringsbanor över 207 manipulationuppgifter och mer Ă€n 60 000 scenvariationer, allt pĂ„ en simulerad Franka Research 3-arm. Datasetet har lockat över 160 000 nedladdningar, vilket gör det till det mest nedladdade open source-simuleringsdatasetet för Franka-manipulation pĂ„ Hugging Face. I riktmĂ€rken förbĂ€ttrade kontinuerlig förtrĂ€ning pĂ„ V1 Ï0.5-prestanda och slog en volymmatchad RoboCasa-baslinje, med alla resultat öppna och verifierbara.
Axis Robotics bygger en sammansĂ€ttande datamotor för Physical AIâett fullt integrerat system som kombinerar storskalig simulering, egocentrisk verklighetsinspelning, humanoid lokomanipulation och mĂ€nskligt grindad DAgger-posttrĂ€ning. Företaget har samlat in 12 miljoner dollar i sĂ„ddkapital, lett av Hack VC, med deltagande frĂ„n Nomad Capital, Pi Network Ventures, 10K Ventures och Ă€ngelinvesterare.
En satsning mot "Endast ren data"
En vanlig antagelse inom robotik Ă€r att demonstrationer mĂ„ste vara nĂ€ra optimala frĂ„n börjanâfiltrera ner till expertbanor, standardisera uppstĂ€llningen och ta bort all brusig data innan imitationsinlĂ€rning kan fungera. Axis tar motsatt syn: datakvalitet bestĂ€ms pĂ„ distributionsnivĂ„, inte av individuella banor. NĂ€r en stor och mĂ„ngfaldig publik producerar brusiga, suboptimala banor och deras fel Ă€r okorrelerade, tar bruset ut sig sjĂ€lvt och en fungerande policy framtrĂ€der under trĂ€ning. Axis Sim Dataset V1 sĂ€tter denna idĂ© pĂ„ ett offentligt prov. Dess banor tĂ€cker plocka-och-placera, stapling, hĂ€llning, manipulation av ledade objekt och verktygsanvĂ€ndning, allt samlat genom Axis webblĂ€sarbaserade teleoperationsplattform, Axis Hub, av en distribuerad publik snarare Ă€n ett enda expertteam. Datasetet utvecklades med forskare frĂ„n UC Berkeley, Johns Hopkins, University of Michigan och andra institutioner.
Resultat som skalar
PĂ„ LIBERO-Plus lyfter kontinuerlig förtrĂ€ning pĂ„ V1 Ï0.5-framgĂ„ngen frĂ„n 83,9% till 88,8%, vilket övertrĂ€ffar en volymmatchad RoboCasa365-baslinje med 37,3%. Prestandan förbĂ€ttras stadigt nĂ€r förtrĂ€ningsdata skalas frĂ„n 25% till 100% av datasetet, utan tecken pĂ„ mĂ€ttnadâbevis pĂ„ att vinsterna kommer frĂ„n mĂ„ngfald och tĂ€ckning, inte en engĂ„ngsförbĂ€ttring. De största förbĂ€ttringarna visas under kamerabrus, sensorbrus och layoutstörningar, vilket Ă€r exakt de variationer Axis randomiserar under generering. Teamet sĂ€ger att V2 redan Ă€r pĂ„ gĂ„ng, skalande till 1,2 miljoner banor över 1 200 uppgifter, med tvĂ€rkroppsgeneralisering och resultat över flera VLA-modeller som visar att suboptimal simuleringsdata kan trĂ€na robusta policyer.
Motorn bakom datasetet
Datasetet Àr en utdata frÄn en större, kontinuerligt sammansÀttande datamotor. Medan en traditionell dataleverantör samlar in till en fast specifikation och slutar, anvÀnder Axis modellprestanda och felfall för att besluta vad som ska samlas in hÀrnÀst, sÄ varje trÀningsomgÄng informerar nÀsta. Denna motor körs pÄ en hybridstrategi över fyra datalinjer, alla nu i drift i skala:
- Simulering: Ăver 200 000 distribuerade bidragsgivare pĂ„ Axis Hub, en topp-3 dApp pĂ„ Base, har producerat 4,7 miljoner+ banor över 13 kroppsformer.
- Egocentrisk: Ett hanterat nĂ€tverk av 1 000+ heltidsanstĂ€llda, QC-utbildade samlare fĂ„ngar första persons aktivitet i riktiga hem och företag över 14 branscher. Ăver 200 000 timmar Ă€r redan bankade, vĂ€xande med 4 000+ timmar dagligen, med Vicon-verifierad handpose.
- Lokomanipulation: 500+ timmar som kombinerar rörlighet och fingerfÀrdighet pÄ riktiga humanoider (Unitree G1, Booster T2) genom hÄrdvaruagnostisk teleoperation.
- MÀnskligt grindad DAgger-posttrÀning: 500+ timmar av mÀnniska-i-loopen-korrigering fokuserad pÄ utplaceringskantfall.
Varje uppgift och bana registreras pÄ kedjan pÄ Base för hÀrkomst, och bidragsgivare belönas för verifierad arbetskvalitet.
FrÄn öppen data till kommersiell utplacering
Utöver att öppna simuleringsdata arbetar Axis direkt med robotkroppsbolag för att bygga anpassade dataset för deras specifika behov. Axis bygger anpassade datapipelines och modellpriorer skrĂ€ddarsydda för varje robotkropp. Som Booster Robotics första simuleringsdatapartner Ă„terskapade Axis Boosters verkliga arbetsyta som en uppgiftsfokuserad digital tvilling. Distribuerade bidragsgivare körde sedan över 42 000 simuleringsavsnitt pĂ„ den, vilket Axis destillerade till en modellprior specifik för Boosters behov. Med bara 30 riktiga robotdemonstrationer uppnĂ„dde den prioren en 87,5% framgĂ„ngsfrekvens, jĂ€mfört med 37,5% för en standard Ï0.5-modellâmatchande Ï0.5-prestanda med bara hĂ€lften av de verkliga demon.
Axis andra partners inkluderar kroppsbolag som Feagine Robotics, modellbolag som Manycore Tech och Dexmal, och industriella automationsföretag som Lotus Cars och Geely Auto. Axis driver ocksÄ on-chain robotnÀtverk, inklusive BitRobot pÄ Solana och OpenRoboto pÄ Bittensor.
Omdefinierar Physical AIs datagrund
"Framtiden för Physical AI Àr inte ett statiskt dataset du laddar ner en gÄng," sa Chris Feng, grundare av Axis Robotics. "Det Àr en motor som fortsÀtter producera den data modellen behöver hÀrnÀst. Skala ger dig bred tÀckning. MÄngfald hÄller bruset opartiskt. Den slutna loopen förvandlar varje misslyckande till framsteg. Det Àr vad som sammansÀtter."
Axis grundades av forskare frÄn UC Berkeley, CMU, Georgia Tech och SJTU, tillsammans med serieföretagare som har skalat konsumentplattformar till över 30 miljoner anvÀndare. Dess forskning rÄds av Jiachen Li, bitrÀdande professor vid Georgia Tech.
PaperlÀnk: https://arxiv.org/abs/2607.21588
Projektsida: https://axisaiorg.github.io/AXIS-V1/
DatasetlÀnk: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
GitHub-kodbas: https://github.com/AxisAIOrg/Axis-V1-Training
Vanliga frÄgor
HÀr Àr en lista över vanliga frÄgor om Axis Robotics open source Franka-arm simuleringsdataset, utformad för att vara tydlig, praktisk och anvÀndbar för bÄde nybörjare och erfarna robotiker.
AllmÀnna nybörjarfrÄgor
F Vad slÀppte Axis Robotics exakt
S De slÀppte ett massivt open source-dataset av simulerad data specifikt för Franka-robotarmar Det innehÄller miljontals exempel pÄ roboten som utför uppgifter i en simulerad miljö, tillsammans med den sensordata som följer med
F Varför Àr detta en stor sak för Physical AI
S Physical AI behöver förstÄ hur man interagerar med den verkliga vÀrlden Att trÀna dessa AI-modeller krÀver vanligtvis en enorm mÀngd verklig data, vilket Àr lÄngsamt och dyrt att samla in Detta dataset ger en massiv högkvalitativ genvÀg, vilket gör att AI-modeller kan öva miljarder gÄnger i simulering först
F Vad Àr ett simuleringsdataset
S Det Àr en samling data som genereras inuti ett datorprogram snarare Àn frÄn en fysisk robot TÀnk pÄ det som ett videospel för robotar dÀr varje handling och observation spelas in för att skapa trÀningsdata för AI
F Jag Àr ny inom robotik Kan jag anvÀnda detta dataset
S Absolut Eftersom det Àr open source kan du ladda ner det och anvÀnda det för att lÀra dig Du kan börja med att utforska data för att förstÄ hur robotsensordata ser ut För praktisk anvÀndning Àr grundlÀggande Python- och maskininlÀrningskunskap hjÀlpsam, men intrÀdesbarriÀren Àr mycket lÀgre Àn att behöva din egen fysiska robot
F Ăr detta dataset endast för den specifika Franka-roboten eller kan jag anvĂ€nda det för andra robotar
S Data Àr specifik för Franka-armens rörelser och sensorer Men teknikerna du lÀr dig och AI-modellerna du trÀnar kan ofta anpassas eller överföras till andra liknande robotarmar, sÀrskilt om du anvÀnder ett ramverk som stöder modellöverföring
Tekniska avancerade frÄgor
F I vilket specifikt format Àr datasetet
S Datasetet tillhandahÄlls vanligtvis i ett standardformat som HDF5 eller ett liknande strukturerat format, ofta anpassat till vanliga robotinlÀrningsramverk som RLBench eller Robosuite Det inkluderar vanligtvis RGBD-kamerafeeds, djupkartor, robotledtillstÄnd och handlingsbanor