Axis Robotics imetoa Axis Sim Dataset V1, mojawapo ya majalada makubwa zaidi ya chanzo-wazi ya uigaji kwa ajili ya udhibiti wa mkono wa Franka. Jalada zima, msimbo wa mafunzo, na viwango vya majaribio sasa vinapatikana kwa umma. V1 imejengwa kutoka zaidi ya trajectories 50,000 za uigaji zinazoendeshwa na binadamu kwa mbali katika kazi 207 za udhibiti na zaidi ya tofauti 60,000 za mazingira, zote kwenye mkono wa Franka Research 3 ulioigwa. Jalada hili limevutia zaidi ya upakuaji 160,000, na kuifanya kuwa jalada la chanzo-wazi la uigaji la Franka linalopakuliwa zaidi kwenye Hugging Face. Katika majaribio, mafunzo ya kuendelea kwenye V1 yaliboresha utendaji wa ฯ0.5 na kushinda kiwango cha RoboCasa kilicholingana kwa kiasi, huku matokeo yote yakiwa wazi na yanaweza kuthibitishwa.
Axis Robotics inajenga injini ya data inayojumuisha kwa Physical AIโmfumo jumuishi kamili unaochanganya uigaji mkubwa, ukusanyaji wa ulimwengu halisi wa kielektroniki, udhibiti wa binadamu wa kusonga na kudhibiti, na mafunzo ya baada ya DAgger yanayosimamiwa na binadamu. Kampuni imekusanya $12 milioni katika ufadhili wa awali, ukiongozwa na Hack VC, na ushiriki kutoka Nomad Capital, Pi Network Ventures, 10K Ventures, na wawekezaji wa malaika.
Dau Dhidi ya "Data Safi Pekee"
Dhana ya kawaida katika robotiki ni kwamba maonyesho lazima yawe karibu-bora tangu mwanzoโchuja hadi trajectories za wataalamu, sanifisha mazingira, na ondoa data yoyote yenye kelele kabla ya kujifunza kwa kuiga kufanya kazi. Axis inachukua mtazamo kinyume: ubora wa data huamuliwa katika kiwango cha usambazaji, si kwa trajectories binafsi. Wakati umati mkubwa na tofauti unazalisha trajectories zenye kelele na zisizo bora, na makosa yao hayahusiani, kelele hiyo hughairiwa, na sera inayofanya kazi inajitokeza wakati wa mafunzo. Axis Sim Dataset V1 inaweka wazo hili kwenye mtihani wa umma. Trajectories zake zinajumuisha kuchukua-na-kuweka, kurundikana, kumwaga, udhibiti wa vitu vilivyo na viungo, na matumizi ya zana, zote zilizokusanywa kupitia jukwaa la Axis la uendeshaji kwa mbali kupitia kivinjari, Axis Hub, na umati uliosambazwa badala ya timu moja ya wataalamu. Jalada hili lilitengenezwa na watafiti kutoka UC Berkeley, Johns Hopkins, Chuo Kikuu cha Michigan, na taasisi zingine.
Matokeo Yanayokua
Kwenye LIBERO-Plus, mafunzo ya kuendelea kwenye V1 yanainua mafanikio ya ฯ0.5 kutoka 83.9% hadi 88.8%, yakishinda kiwango cha RoboCasa365 kilicholingana kwa kiasi kwa 37.3%. Utendaji unaboreka hatua kwa hatua wakati data ya mafunzo inakua kutoka 25% hadi 100% ya jalada, bila dalili za kushibaโushahidi kwamba faida zinatokana na utofauti na upana wa chanjo, si faida ya mara moja. Maboresho makubwa zaidi yanaonekana chini ya usumbufu wa kamera, kelele za sensorer, na mpangilio, ambavyo ni tofauti hasa ambazo Axis hubadilisha kwa nasibu wakati wa uzalishaji. Timu inasema V2 tayari iko katika hatua ya maendeleo, ikiongezeka hadi trajectories milioni 1.2 katika kazi 1,200, na ujumlishaji wa mwili mbalimbali na matokeo katika mifano mingi ya VLA ikionyesha kwamba data ya uigaji isiyo bora inaweza kufundisha sera imara.
Injini Nyuma ya Jalada
Jalada hili ni matokeo moja ya injini kubwa ya data inayojumuisha kwa kuendelea. Wakati mtoa data wa jadi anakusanya kwa kiwango maalum na kuacha, Axis inatumia utendaji wa mfano na kesi za kushindwa kuamua nini cha kukusanya baadaye, hivyo kila mzunguko wa mafunzo unajulisha unaofuata. Injini hii inaendesha mkakati mchanganyiko katika njia nne za data, zote sasa zikifanya kazi kwa kiwango kikubwa:
- Uigaji: Zaidi ya wachangiaji 200,000 waliosambazwa kwenye Axis Hub, dApp ya juu-3 kwenye Base, wametoa trajectories milioni 4.7+ katika miili 13.
- Kielektroniki: Mtandao unaosimamiwa wa wakusanyaji zaidi ya 1,000 wa muda wote, waliofunzwa kwa udhibiti wa ubora, unakusanya shughuli za mtu wa kwanza katika nyumba na biashara halisi katika tasnia 14. Zaidi ya saa 200,000 tayari zimehifadhiwa, zikiongezeka kwa saa 4,000+ kila siku, na mkao wa mkono uliothibitishwa na Vicon.
- Udhibiti wa kusonga na kudhibiti: Saa 500+ zinazochanganya uhamaji na ustadi kwenye roboti halisi za binadamu (Unitree G1, Booster T2) kupitia uendeshaji wa mbali usiotegemea vifaa maalum.
- Mafunzo ya baada ya DAgger yanayosimamiwa na binadamu: Saa 500+ za marekebisho ya mzunguko wa binadamu zinazolenga kesi za makali za utekelezaji.
Kila kazi na trajectory inarekodiwa kwenye mnyororo kwenye Base kwa ajili ya uthibitisho wa asili, na wachangiaji hulipwa kwa ubora wa kazi uliothibitishwa.
Kutoka Data Wazi hadi Utekelezaji wa Kibiashara
Zaidi ya kufungua data ya uigaji, Axis inafanya kazi moja kwa moja na kampuni za miili ya roboti kujenga majalada maalum kwa mahitaji yao. Axis inajenga mifumo maalum ya data na mifano ya awali iliyoundwa kwa kila mwili wa roboti. Kama mshirika wa kwanza wa data ya uigaji wa Booster Robotics, Axis iliunda upya mazingira halisi ya kazi ya Booster kama pacha wa dijiti unaolenga kazi. Wachangiaji waliosambazwa kisha waliendesha zaidi ya vipindi 42,000 vya uigaji juu yake, ambavyo Axis viliyeyusha kuwa mfano wa awali maalum kwa mahitaji ya Booster. Kwa kutumia maonyesho 30 tu ya roboti halisi, mfano huo ulipata kiwango cha mafanikio cha 87.5%, ikilinganishwa na 37.5% kwa mfano wa kawaida wa ฯ0.5โukilingana na utendaji wa ฯ0.5 kwa nusu tu ya maonyesho ya ulimwengu halisi.
Washirika wengine wa Axis ni pamoja na kampuni za miili kama Feagine Robotics, kampuni za mifano kama Manycore Tech na Dexmal, na kampuni za uendeshaji wa viwanda kama Lotus Cars na Geely Auto. Axis pia inaendesha mitandao ya robotiki kwenye mnyororo, ikijumuisha BitRobot kwenye Solana na OpenRoboto kwenye Bittensor.
Kufafanua Upya Msingi wa Data wa Physical AI
"Mustakabali wa Physical AI sio jalada tuli unalopakua mara moja," alisema Chris Feng, mwanzilishi wa Axis Robotics. "Ni injini inayoendelea kuzalisha data ambayo mfano unahitaji ijayo. Kiwango kinakupa chanjo pana. Utofauti unaweka kelele isiyo na upendeleo. Mzunguko uliofungwa unageuza kila kushindwa kuwa maendeleo. Hicho ndicho kinachojumuisha."
Axis ilianzishwa na watafiti kutoka UC Berkeley, CMU, Georgia Tech, na SJTU, pamoja na waanzilishi wa mfululizo ambao wamepanua mifumo ya watumiaji hadi zaidi ya watumiaji milioni 30. Utafiti wake unashauriwa na Jiachen Li, Profesa Msaidizi katika Georgia Tech.
Kiungo cha Karatasi: https://arxiv.org/abs/2607.21588
Ukurasa wa Mradi: https://axisaiorg.github.io/AXIS-V1/
Kiungo cha Jalada: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
Msimbo wa Github: https://github.com/AxisAIOrg/Axis-V1-Training
Maswali Yanayoulizwa Mara kwa Mara
Hapa kuna orodha ya maswali yanayoulizwa mara kwa mara kuhusu jalada la uigaji la mkono wa Franka la Axis Robotics, lililoundwa kuwa wazi, la vitendo, na muhimu kwa wageni na wataalamu wa robotiki.
Maswali ya Jumla na ya Wanaoanza
Q: Axis Robotics ilitoa nini hasa?
A: Walitoa jalada kubwa la chanzo-wazi la data ya uigaji hasa kwa mikono ya roboti ya Franka. Lina mifano milioni ya roboti ikifanya kazi katika mazingira ya uigaji, pamoja na data ya sensorer inayoambatana nayo.
Q: Kwa nini hili ni jambo kubwa kwa Physical AI?
A: Physical AI inahitaji kuelewa jinsi ya kuingiliana na ulimwengu halisi. Kufundisha mifano hii ya AI kwa kawaida kunahitaji kiasi kikubwa cha data ya ulimwengu halisi, ambayo ni polepole na ghali kukusanya. Jalada hili linatoa njia fupi kubwa na ya hali ya juu, likiruhusu mifano ya AI kufanya mazoezi mara bilioni katika uigaji kwanza.
Q: Jalada la uigaji ni nini?
A: Ni mkusanyiko wa data unaozalishwa ndani ya programu ya kompyuta badala ya roboti halisi. Fikiria kama mchezo wa video kwa roboti, ambapo kila kitendo na uchunguzi unarekodiwa kuunda data ya mafunzo kwa AI.
Q: Mimi ni mpya kwenye robotiki. Je, ninaweza kutumia jalada hili?
A: Ndiyo kabisa. Kwa sababu ni chanzo-wazi, unaweza kulipakua na kulitumia kujifunza. Unaweza kuanza kwa kuchunguza data kuelewa jinsi data ya sensorer za roboti inavyoonekana. Kwa matumizi ya vitendo, ujuzi wa msingi wa Python na kujifunza kwa mashine unasaidia, lakini kizingiti cha kuingia ni cha chini sana kuliko kuhitaji roboti yako halisi.
Q: Je, jalada hili ni la roboti maalum ya Franka pekee, au ninaweza kulitumia kwa roboti zingine?
A: Data ni maalum kwa harakati na sensorer za mkono wa Franka. Hata hivyo, mbinu unazojifunza na mifano ya AI unayofundisha mara nyingi zinaweza kubadilishwa au kuhamishwa kwa mikono mingine ya roboti inayofanana, hasa kama unatumia mfumo unaounga mkono uhamishaji wa mfano.
Maswali ya Kiufundi na ya Juu
Q: Jalada liko katika muundo gani hasa?
A: Jalada kwa kawaida hutolewa katika muundo wa kawaida kama HDF5 au muundo mwingine uliopangwa, mara nyingi ukilingana na mifumo ya kawaida ya kujifunza robotiki kama RLBench au Robosuite. Kwa kawaida linajumuisha milisho ya kamera ya RGBD, ramani za kina, hali za viungo vya roboti, na trajectories za vitendo.