Η Axis Robotics κυκλοφόρησε το Axis Sim Dataset V1, ένα από τα μεγαλύτερα ανοιχτού κώδικα σύνολα δεδομένων προσομοίωσης για χειρισμό βραχίονα Franka. Το πλήρες σύνολο δεδομένων, ο κώδικας εκπαίδευσης και τα σημεία αναφοράς είναι πλέον διαθέσιμα στο κοινό. Το V1 βασίζεται σε πάνω από 50.000 ανθρώπινες τηλεχειριζόμενες τροχιές προσομοίωσης σε 207 εργασίες χειρισμού και περισσότερες από 60.000 παραλλαγές σκηνών, όλα σε έναν προσομοιωμένο βραχίονα Franka Research 3. Το σύνολο δεδομένων έχει προσελκύσει πάνω από 160.000 λήψεις, καθιστώντας το το πιο ληφθέν ανοιχτού κώδικα σύνολο δεδομένων προσομοίωσης χειρισμού Franka στο Hugging Face. Στα σημεία αναφοράς, η συνεχής προεκπαίδευση στο V1 βελτίωσε την απόδοση του π0.5 και ξεπέρασε μια βασική γραμμή RoboCasa με αντιστοιχισμένο όγκο, με όλα τα αποτελέσματα ανοιχτά και επαληθεύσιμα.
Η Axis Robotics χτίζει μια μηχανή σύνθετων δεδομένων για το Φυσικό AI—ένα πλήρως ολοκληρωμένο σύστημα που συνδυάζει προσομοίωση μεγάλης κλίμακας, εγωκεντρική καταγραφή πραγματικού κόσμου, ανθρωποειδή κινητικό-χειρισμό και μετα-εκπαίδευση DAgger με ανθρώπινη επίβλεψη. Η εταιρεία έχει συγκεντρώσει 12 εκατομμύρια δολάρια σε αρχική χρηματοδότηση, με επικεφαλής την Hack VC, με συμμετοχή από τις Nomad Capital, Pi Network Ventures, 10K Ventures και επενδυτές-αγγέλους.
Ένα Στοίχημα Ενάντια στο "Μόνο Καθαρά Δεδομένα"
Μια κοινή υπόθεση στη ρομποτική είναι ότι οι επιδείξεις πρέπει να είναι σχεδόν βέλτιστες από την αρχή—να φιλτράρονται σε τροχιές ειδικών, να τυποποιείται η ρύθμιση και να αφαιρούνται τυχόν θορυβώδη δεδομένα πριν λειτουργήσει η μάθηση μίμησης. Η Axis υιοθετεί την αντίθετη άποψη: η ποιότητα των δεδομένων καθορίζεται σε επίπεδο κατανομής, όχι από μεμονωμένες τροχιές. Όταν ένα μεγάλο και ποικίλο πλήθος παράγει θορυβώδεις, υποβέλτιστες τροχιές και τα σφάλματά τους είναι ασυσχέτιστα, ο θόρυβος αλληλοεξουδετερώνεται και μια λειτουργική πολιτική αναδύεται κατά την εκπαίδευση. Το Axis Sim Dataset V1 θέτει αυτή την ιδέα σε δημόσια δοκιμή. Οι τροχιές του καλύπτουν πιάσιμο-και-τοποθέτηση, στοίβαγμα, ρίξιμο, χειρισμό αρθρωτών αντικειμένων και χρήση εργαλείων, όλα συλλεγμένα μέσω της βασισμένης σε πρόγραμμα περιήγησης πλατφόρμας τηλεχειρισμού της Axis, Axis Hub, από ένα κατανεμημένο πλήθος και όχι από μια ενιαία ομάδα ειδικών. Το σύνολο δεδομένων αναπτύχθηκε με ερευνητές από το UC Berkeley, το Johns Hopkins, το Πανεπιστήμιο του Μίσιγκαν και άλλα ιδρύματα.
Αποτελέσματα που Κλιμακώνονται
Στο LIBERO-Plus, η συνεχής προεκπαίδευση στο V1 ανεβάζει την επιτυχία του π0.5 από 83,9% σε 88,8%, ξεπερνώντας μια βασική γραμμή RoboCasa365 με αντιστοιχισμένο όγκο κατά 37,3%. Η απόδοση βελτιώνεται σταθερά καθώς τα δεδομένα προεκπαίδευσης κλιμακώνονται από 25% έως 100% του συνόλου δεδομένων, χωρίς σημάδια κορεσμού—απόδειξη ότι τα κέρδη προέρχονται από την ποικιλομορφία και την κάλυψη, όχι από μια εφάπαξ ενίσχυση. Οι μεγαλύτερες βελτιώσεις εμφανίζονται υπό διαταραχές κάμερας, θορύβου αισθητήρων και διάταξης, που είναι ακριβώς οι παραλλαγές που η Axis τυχαιοποιεί κατά τη δημιουργία. Η ομάδα λέει ότι το V2 είναι ήδη σε εξέλιξη, κλιμακώνοντας σε 1,2 εκατομμύρια τροχιές σε 1.200 εργασίες, με γενίκευση μεταξύ εμβοδίων και αποτελέσματα σε πολλαπλά μοντέλα VLA που δείχνουν ότι υποβέλτιστα δεδομένα προσομοίωσης μπορούν να εκπαιδεύσουν ισχυρές πολιτικές.
Η Μηχανή Πίσω από το Σύνολο Δεδομένων
Το σύνολο δεδομένων είναι ένα προϊόν μιας μεγαλύτερης, συνεχώς συντιθέμενης μηχανής δεδομένων. Ενώ ένας παραδοσιακός πάροχος δεδομένων συλλέγει σύμφωνα με μια σταθερή προδιαγραφή και σταματά, η Axis χρησιμοποιεί την απόδοση του μοντέλου και τις περιπτώσεις αποτυχίας για να αποφασίσει τι θα συλλέξει στη συνέχεια, έτσι ώστε κάθε γύρος εκπαίδευσης να ενημερώνει τον επόμενο. Αυτή η μηχανή λειτουργεί με μια υβριδική στρατηγική σε τέσσερις γραμμές δεδομένων, όλες πλέον σε λειτουργία μεγάλης κλίμακας:
- Προσομοίωση: Πάνω από 200.000 κατανεμημένοι συνεισφέροντες στο Axis Hub, μια κορυφαία-3 dApp στο Base, έχουν παραγάγει πάνω από 4,7 εκατομμύρια τροχιές σε 13 εμβόδια.
- Εγωκεντρική: Ένα διαχειριζόμενο δίκτυο πάνω από 1.000 συλλεκτών πλήρους απασχόλησης με εκπαίδευση QC καταγράφει δραστηριότητα πρώτου προσώπου σε πραγματικά σπίτια και επιχειρήσεις σε 14 βιομηχανίες. Πάνω από 200.000 ώρες έχουν ήδη αποθηκευτεί, αυξανόμενες κατά 4.000+ ώρες καθημερινά, με επαληθευμένη στάση χεριού Vicon.
- Κινητικός-χειρισμός: Πάνω από 500 ώρες που συνδυάζουν κινητικότητα και επιδεξιότητα σε πραγματικά ανθρωποειδή (Unitree G1, Booster T2) μέσω τηλεχειρισμού ανεξάρτητου υλικού.
- Μετα-εκπαίδευση DAgger με ανθρώπινη επίβλεψη: Πάνω από 500 ώρες διόρθωσης με ανθρώπινο παράγοντα στο βρόχο, εστιασμένες σε ακραίες περιπτώσεις ανάπτυξης.
Κάθε εργασία και τροχιά καταγράφεται on-chain στο Base για ιχνηλασιμότητα, και οι συνεισφέροντες ανταμείβονται για επαληθευμένη ποιότητα εργασίας.
Από Ανοιχτά Δεδομένα σε Εμπορική Ανάπτυξη
Πέρα από την ανοιχτή διάθεση δεδομένων προσομοίωσης, η Axis συνεργάζεται άμεσα με εταιρείες ρομποτικών εμβοδίων για να χτίσει προσαρμοσμένα σύνολα δεδομένων για τις συγκεκριμένες ανάγκες τους. Η Axis χτίζει προσαρμοσμένους αγωγούς δεδομένων και προτεραιότητες μοντέλων προσαρμοσμένες σε κάθε ρομποτικό εμβόδιο. Ως πρώτος συνεργάτης δεδομένων προσομοίωσης της Booster Robotics, η Axis αναδημιούργησε τον πραγματικό χώρο εργασίας της Booster ως ένα ψηφιακό δίδυμο εστιασμένο σε εργασίες. Κατανεμημένοι συνεισφέροντες εκτέλεσαν στη συνέχεια πάνω από 42.000 επεισόδια προσομοίωσης σε αυτό, τα οποία η Axis απόσταξε σε μια προτεραιότητα μοντέλου ειδική για τις ανάγκες της Booster. Χρησιμοποιώντας μόλις 30 πραγματικές επιδείξεις ρομπότ, αυτή η προτεραιότητα πέτυχε ποσοστό επιτυχίας 87,5%, σε σύγκριση με 37,5% για ένα τυπικό μοντέλο π0.5—ταιριάζοντας την απόδοση του π0.5 με μόλις τις μισές επιδείξεις πραγματικού κόσμου.
Οι άλλοι συνεργάτες της Axis περιλαμβάνουν εταιρείες εμβοδίων όπως η Feagine Robotics, εταιρείες μοντέλων όπως οι Manycore Tech και Dexmal, και εταιρείες βιομηχανικού αυτοματισμού όπως οι Lotus Cars και Geely Auto. Η Axis υποστηρίζει επίσης δίκτυα ρομποτικής on-chain, συμπεριλαμβανομένων των BitRobot στο Solana και OpenRoboto στο Bittensor.
Επαναπροσδιορίζοντας τη Βάση Δεδομένων του Φυσικού AI
"Το μέλλον του Φυσικού AI δεν είναι ένα στατικό σύνολο δεδομένων που κατεβάζεις μία φορά," είπε ο Chris Feng, ιδρυτής της Axis Robotics. "Είναι μια μηχανή που συνεχίζει να παράγει τα δεδομένα που χρειάζεται το μοντέλο στη συνέχεια. Η κλίμακα σου δίνει ευρεία κάλυψη. Η ποικιλομορφία κρατά τον θόρυβο αμερόληπτο. Ο κλειστός βρόχος μετατρέπει κάθε αποτυχία σε πρόοδο. Αυτό συνθέτει."
Η Axis ιδρύθηκε από ερευνητές από το UC Berkeley, το CMU, το Georgia Tech και το SJTU, μαζί με σειριακούς ιδρυτές που έχουν κλιμακώσει πλατφόρμες καταναλωτών σε πάνω από 30 εκατομμύρια χρήστες. Η έρευνά της συμβουλεύεται από τον Jiachen Li, Επίκουρο Καθηγητή στο Georgia Tech.
Σύνδεσμος Εργασίας: https://arxiv.org/abs/2607.21588
Σελίδα Έργου: https://axisaiorg.github.io/AXIS-V1/
Σύνδεσμος Συνόλου Δεδομένων: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
Αποθετήριο Κώδικα Github: https://github.com/AxisAIOrg/Axis-V1-Training
Συχνές Ερωτήσεις
Ακολουθεί μια λίστα συχνών ερωτήσεων σχετικά με το ανοιχτού κώδικα σύνολο δεδομένων προσομοίωσης βραχίονα Franka της Axis Robotics, σχεδιασμένη να είναι σαφής, πρακτική και χρήσιμη τόσο για νέους όσο και για έμπειρους ρομποτιστές.
Γενικές Ερωτήσεις για Αρχάριους
Ε: Τι ακριβώς κυκλοφόρησε η Axis Robotics;
Α: Κυκλοφόρησαν ένα τεράστιο ανοιχτού κώδικα σύνολο δεδομένων προσομοίωσης ειδικά για ρομποτικούς βραχίονες Franka. Περιέχει εκατομμύρια παραδείγματα του ρομπότ να εκτελεί εργασίες σε ένα προσομοιωμένο περιβάλλον, μαζί με τα συνοδευτικά δεδομένα αισθητήρων.
Ε: Γιατί είναι τόσο σημαντικό αυτό για το Φυσικό AI;
Α: Το Φυσικό AI χρειάζεται να κατανοήσει πώς να αλληλεπιδρά με τον πραγματικό κόσμο. Η εκπαίδευση αυτών των μοντέλων AI συνήθως απαιτεί τεράστιο όγκο δεδομένων πραγματικού κόσμου, που είναι αργή και δαπανηρή η συλλογή τους. Αυτό το σύνολο δεδομένων παρέχει μια τεράστια, υψηλής ποιότητας συντόμευση, επιτρέποντας στα μοντέλα AI να εξασκηθούν δισεκατομμύρια φορές πρώτα στην προσομοίωση.
Ε: Τι είναι ένα σύνολο δεδομένων προσομοίωσης;
Α: Είναι μια συλλογή δεδομένων που παράγεται μέσα σε ένα πρόγραμμα υπολογιστή και όχι από ένα φυσικό ρομπότ. Σκεφτείτε το ως ένα βιντεοπαιχνίδι για ρομπότ, όπου κάθε ενέργεια και παρατήρηση καταγράφεται για να δημιουργηθούν δεδομένα εκπαίδευσης για AI.
Ε: Είμαι νέος στη ρομποτική. Μπορώ να χρησιμοποιήσω αυτό το σύνολο δεδομένων;
Α: Απολύτως. Επειδή είναι ανοιχτού κώδικα, μπορείτε να το κατεβάσετε και να το χρησιμοποιήσετε για να μάθετε. Μπορείτε να ξεκινήσετε εξερευνώντας τα δεδομένα για να κατανοήσετε πώς μοιάζουν τα δεδομένα αισθητήρων ρομπότ. Για πρακτική χρήση, κάποιες βασικές γνώσεις Python και μηχανικής μάθησης είναι χρήσιμες, αλλά το εμπόδιο εισόδου είναι πολύ χαμηλότερο από το να χρειάζεστε το δικό σας φυσικό ρομπότ.
Ε: Αυτό το σύνολο δεδομένων είναι μόνο για το συγκεκριμένο ρομπότ Franka ή μπορώ να το χρησιμοποιήσω για άλλα ρομπότ;
Α: Τα δεδομένα είναι ειδικά για τις κινήσεις και τους αισθητήρες του βραχίονα Franka. Ωστόσο, οι τεχνικές που μαθαίνετε και τα μοντέλα AI που εκπαιδεύετε μπορούν συχνά να προσαρμοστούν ή να μεταφερθούν σε άλλους παρόμοιους ρομποτικούς βραχίονες, ειδικά αν χρησιμοποιείτε ένα πλαίσιο που υποστηρίζει μεταφορά μοντέλων.
Τεχνικές Ερωτήσεις για Προχωρημένους
Ε: Σε ποια συγκεκριμένη μορφή είναι το σύνολο δεδομένων;
Α: Το σύνολο δεδομένων παρέχεται συνήθως σε μια τυπική μορφή όπως HDF5 ή παρόμοια δομημένη μορφή, συχνά ευθυγραμμισμένη με κοινά πλαίσια μάθησης ρομπότ όπως RLBench ή Robosuite. Συνήθως περιλαμβάνει ροές κάμερας RGBD, χάρτες βάθους, καταστάσεις αρθρώσεων ρομπότ και τροχιές ενεργειών.