أصدرت شركة Axis Robotics مجموعة بيانات المحاكاة Axis Sim Dataset V1، وهي واحدة من أكبر مجموعات بيانات المحاكاة مفتوحة المصدر للتحكم بذراع فرانكا الآلية. تتوفر الآن مجموعة البيانات الكاملة ورمز التدريب والمعايير للجمهور. تم بناء V1 من أكثر من 50,000 مسار محاكاة يتم تشغيله بشريًا عبر 207 مهام تحكم وأكثر من 60,000 تباين مشهدي، جميعها على ذراع فرانكا للأبحاث 3 المحاكاة. جذبت مجموعة البيانات أكثر من 160,000 عملية تنزيل، مما يجعلها مجموعة بيانات محاكاة فرانكا مفتوحة المصدر الأكثر تنزيلًا على Hugging Face. في المعايير، أدى التدريب المسبق المستمر على V1 إلى تحسين أداء π0.5 وتفوق على خط الأساس RoboCasa المطابق للحجم، مع نتائج مفتوحة وقابلة للتحقق.
تبني Axis Robotics محرك بيانات متراكمًا للذكاء الاصطناعي الفيزيائي—وهو نظام متكامل بالكامل يجمع بين المحاكاة واسعة النطاق، والالتقاط الواقعي من منظور الشخص الأول، والتحكم الحركي البشري الآلي، والتدريب اللاحق الموجه بشريًا بنظام DAgger. جمعت الشركة 12 مليون دولار في تمويل أولي، بقيادة Hack VC، بمشاركة من Nomad Capital وPi Network Ventures و10K Ventures ومستثمرين ملائكيين.
رهان ضد "البيانات النظيفة فقط"
الافتراض الشائع في الروبوتات هو أن العروض التوضيحية يجب أن تكون شبه مثالية منذ البداية—تصفية المسارات الخبيرة، وتوحيد الإعداد، وإزالة أي بيانات مزعجة قبل أن يعمل التعلم بالمحاكاة. تتخذ Axis وجهة نظر معاكسة: يتم تحديد جودة البيانات على مستوى التوزيع، وليس من خلال المسارات الفردية. عندما ينتج حشد كبير ومتنوع مسارات مزعجة وغير مثالية وتكون أخطاؤهم غير مترابطة، يلغي الضجيج نفسه، وتظهر سياسة فعالة أثناء التدريب. تضع Axis Sim Dataset V1 هذه الفكرة في اختبار عام. تغطي مساراتها التقاط والوضع، والتكديس، والسكب، والتحكم بالأجسام المفصلية، واستخدام الأدوات، وكلها تم جمعها عبر منصة التحكم عن بعد المستندة إلى المتصفح من Axis، وهي Axis Hub، بواسطة حشد موزع بدلاً من فريق خبير واحد. تم تطوير مجموعة البيانات بالتعاون مع باحثين من جامعة كاليفورنيا في بيركلي وجونز هوبكنز وجامعة ميشيغان ومؤسسات أخرى.
نتائج تتوسع
على LIBERO-Plus، يرفع التدريب المسبق المستمر على V1 نجاح π0.5 من 83.9% إلى 88.8%، متفوقًا على خط الأساس RoboCasa365 المطابق للحجم بنسبة 37.3%. يتحسن الأداء بشكل مطرد مع توسع بيانات التدريب المسبق من 25% إلى 100% من مجموعة البيانات، دون علامات على التشبع—دليل على أن المكاسب تأتي من التنوع والتغطية، وليس دفعة لمرة واحدة. تظهر أكبر التحسينات تحت اضطرابات الكاميرا وضوضاء المستشعر والتخطيط، وهي بالضبط التباينات التي تختارها Axis عشوائيًا أثناء التوليد. يقول الفريق إن V2 قيد التنفيذ بالفعل، ويتوسع إلى 1.2 مليون مسار عبر 1,200 مهمة، مع تعميم عبر الأشكال ونتائج عبر نماذج VLA متعددة تُظهر أن بيانات المحاكاة غير المثالية يمكنها تدريب سياسات قوية.
المحرك وراء مجموعة البيانات
مجموعة البيانات هي ناتج واحد لمحرك بيانات أكبر ومتراكم باستمرار. بينما يجمع مزود البيانات التقليدي وفقًا لمواصفات ثابتة ثم يتوقف، تستخدم Axis أداء النموذج وحالات الفشل لتقرر ما يجب جمعه بعد ذلك، بحيث تُعلم كل جولة تدريب الجولة التالية. يعمل هذا المحرك على استراتيجية هجينة عبر أربعة خطوط بيانات، جميعها تعمل الآن على نطاق واسع:
- المحاكاة: أكثر من 200,000 مساهم موزع على Axis Hub، وهو تطبيق لامركزي من أفضل 3 تطبيقات على Base، أنتجوا أكثر من 4.7 مليون مسار عبر 13 شكلًا.
- منظور الشخص الأول: شبكة مُدارة تضم أكثر من 1,000 جامع بدوام كامل مدرب على مراقبة الجودة يلتقطون نشاطًا من منظور الشخص الأول في منازل وشركات حقيقية عبر 14 صناعة. تم تخزين أكثر من 200,000 ساعة بالفعل، وتنمو بأكثر من 4,000 ساعة يوميًا، مع وضع يد مُتحقق منه بتقنية Vicon.
- التحكم الحركي البشري: أكثر من 500 ساعة تجمع بين الحركة والبراعة على روبوتات بشرية حقيقية (Unitree G1 وBooster T2) عبر تحكم عن بعد مستقل عن الأجهزة.
- التدريب اللاحق الموجه بشريًا بنظام DAgger: أكثر من 500 ساعة من التصحيح البشري في الحلقة تركز على حالات الحافة في النشر.
يتم تسجيل كل مهمة ومسار على السلسلة على Base لتوثيق المصدر، ويتم مكافأة المساهمين على جودة العمل المُتحقق منها.
من البيانات المفتوحة إلى النشر التجاري
إلى جانب فتح بيانات المحاكاة، تعمل Axis مباشرة مع شركات تجسيد الروبوتات لبناء مجموعات بيانات مخصصة لاحتياجاتها الخاصة. تبني Axis خطوط بيانات مخصصة ونماذج أولية مصممة لكل تجسيد روبوتي. كشريك بيانات المحاكاة الأول لشركة Booster Robotics، أعادت Axis إنشاء مساحة عمل Booster الحقيقية كتوأم رقمي موجه بالمهام. ثم قام المساهمون الموزعون بتشغيل أكثر من 42,000 حلقة محاكاة عليها، والتي قامت Axis بتقطيرها إلى نموذج أولي خاص باحتياجات Booster. باستخدام 30 عرضًا توضيحيًا حقيقيًا فقط، حقق هذا النموذج معدل نجاح 87.5%، مقارنة بـ 37.5% لنموذج π0.5 القياسي—مطابقًا أداء π0.5 مع نصف العروض التوضيحية الواقعية فقط.
تشمل شركاء Axis الآخرين شركات تجسيد مثل Feagine Robotics، وشركات نماذج مثل Manycore Tech وDexmal، وشركات أتمتة صناعية مثل Lotus Cars وGeely Auto. كما تدعم Axis شبكات الروبوتات على السلسلة، بما في ذلك BitRobot على Solana وOpenRoboto على Bittensor.
إعادة تعريف أساس بيانات الذكاء الاصطناعي الفيزيائي
"مستقبل الذكاء الاصطناعي الفيزيائي ليس مجموعة بيانات ثابتة تنزلها مرة واحدة"، قال كريس فينغ، مؤسس Axis Robotics. "إنه محرك يستمر في إنتاج البيانات التي يحتاجها النموذج بعد ذلك. يمنحك الحجم تغطية واسعة. يحافظ التنوع على عدم تحيز الضجيج. تحول الحلقة المغلقة كل فشل إلى تقدم. هذا ما يتراكم."
تأسست Axis على يد باحثين من جامعة كاليفورنيا في بيركلي وجامعة كارنيجي ميلون وجورجيا تك وجامعة شنغهاي جياو تونغ، جنبًا إلى جنب مع مؤسسين متسلسلين قاموا بتوسيع منصات المستهلكين إلى أكثر من 30 مليون مستخدم. يُستشار بحثها من قبل جياشن لي، الأستاذ المساعد في جورجيا تك.
رابط الورقة: https://arxiv.org/abs/2607.21588
صفحة المشروع: https://axisaiorg.github.io/AXIS-V1/
رابط مجموعة البيانات: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
قاعدة رمز GitHub: https://github.com/AxisAIOrg/Axis-V1-Training
الأسئلة الشائعة
فيما يلي قائمة بالأسئلة الشائعة حول مجموعة بيانات محاكاة ذراع فرانكا مفتوحة المصدر من Axis Robotics، مصممة لتكون واضحة وعملية ومفيدة لكل من الوافدين الجدد وعلماء الروبوتات ذوي الخبرة
أسئلة عامة للمبتدئين
س: ما الذي أصدرته Axis Robotics بالضبط؟
ج: أصدرت مجموعة بيانات ضخمة مفتوحة المصدر من البيانات المحاكاة خصيصًا لأذرع فرانكا الآلية. تحتوي على ملايين الأمثلة للروبوت وهو يؤدي مهامًا في بيئة محاكاة، بالإضافة إلى بيانات المستشعرات المرافقة.
س: لماذا هذا مهم للذكاء الاصطناعي الفيزيائي؟
ج: يحتاج الذكاء الاصطناعي الفيزيائي إلى فهم كيفية التفاعل مع العالم الحقيقي. يتطلب تدريب نماذج الذكاء الاصطناعي هذه عادةً كمية هائلة من البيانات الواقعية، والتي يكون جمعها بطيئًا ومكلفًا. توفر هذه المجموعة اختصارًا ضخمًا وعالي الجودة، مما يسمح لنماذج الذكاء الاصطناعي بالتدرب مليارات المرات في المحاكاة أولاً.
س: ما هي مجموعة بيانات المحاكاة؟
ج: هي مجموعة من البيانات المولدة داخل برنامج كمبيوتر بدلاً من روبوت فيزيائي. فكر فيها كلعبة فيديو للروبوتات حيث يتم تسجيل كل إجراء وملاحظة لإنشاء بيانات تدريب للذكاء الاصطناعي.
س: أنا جديد في الروبوتات. هل يمكنني استخدام هذه المجموعة؟
ج: بالتأكيد. نظرًا لأنها مفتوحة المصدر، يمكنك تنزيلها واستخدامها للتعلم. يمكنك البدء باستكشاف البيانات لفهم شكل بيانات مستشعرات الروبوت. للاستخدام العملي، تساعد معرفة أساسية ببايثون والتعلم الآلي، لكن حاجز الدخول أقل بكثير من الحاجة إلى روبوت فيزيائي خاص بك.
س: هل هذه المجموعة مخصصة فقط لروبوت فرانكا المحدد أم يمكنني استخدامها لروبوتات أخرى؟
ج: البيانات محددة لحركات ومستشعرات ذراع فرانكا. ومع ذلك، يمكن غالبًا تكييف التقنيات التي تتعلمها والنماذج التي تدربها أو نقلها إلى أذرع روبوتية مماثلة أخرى، خاصة إذا كنت تستخدم إطارًا يدعم نقل النماذج.
أسئلة تقنية متقدمة
س: ما هو التنسيق المحدد لمجموعة البيانات؟
ج: تُقدم مجموعة البيانات عادةً بتنسيق قياسي مثل HDF5 أو تنسيق منظم مشابه، وغالبًا ما تكون متوافقة مع أطر تعلم الروبوتات الشائعة مثل RLBench أو Robosuite. تتضمن عادةً خلاصات كاميرا RGBD وخرائط عمق وحالات مفاصل الروبوت ومسارات الإجراءات.