Axis Robotics lançou o Axis Sim Dataset V1, um dos maiores conjuntos de dados de simulação de código aberto para manipulação de braço Franka. O conjunto de dados completo, o código de treinamento e os benchmarks agora estão publicamente disponíveis. O V1 é construído a partir de mais de 50.000 trajetórias de simulação teleoperadas por humanos em 207 tarefas de manipulação e mais de 60.000 variações de cena, tudo em um braço simulado Franka Research 3. O conjunto de dados atraiu mais de 160.000 downloads, tornando-o o conjunto de dados de simulação Franka de manipulação de código aberto mais baixado no Hugging Face. Em benchmarks, o pré-treinamento contínuo no V1 melhorou o desempenho do π0.5 e superou uma linha de base RoboCasa correspondente em volume, com todos os resultados abertos e verificáveis.
A Axis Robotics está construindo um mecanismo de dados compostos para IA Física—um sistema totalmente integrado que combina simulação em larga escala, captura egocêntrica do mundo real, loco-manipulação humanoide e pós-treinamento DAgger com gate humano. A empresa levantou US$ 12 milhões em financiamento inicial, liderado pela Hack VC, com participação da Nomad Capital, Pi Network Ventures, 10K Ventures e investidores-anjo.
Uma Aposta Contra "Apenas Dados Limpos"
Uma suposição comum em robótica é que as demonstrações devem ser quase ótimas desde o início—filtrar para trajetórias de especialistas, padronizar a configuração e remover quaisquer dados ruidosos antes que o aprendizado por imitação possa funcionar. A Axis adota a visão oposta: a qualidade dos dados é determinada no nível da distribuição, não por trajetórias individuais. Quando uma multidão grande e diversa produz trajetórias ruidosas e subótimas e seus erros são não correlacionados, o ruído se cancela, e uma política funcional emerge durante o treinamento. O Axis Sim Dataset V1 coloca essa ideia em teste público. Suas trajetórias cobrem pegar e colocar, empilhar, despejar, manipulação de objetos articulados e uso de ferramentas, todas coletadas através da plataforma de teleoperação baseada em navegador da Axis, Axis Hub, por uma multidão distribuída em vez de uma única equipe de especialistas. O conjunto de dados foi desenvolvido com pesquisadores da UC Berkeley, Johns Hopkins, Universidade de Michigan e outras instituições.
Resultados Que Escalam
No LIBERO-Plus, o pré-treinamento contínuo no V1 eleva o sucesso do π0.5 de 83,9% para 88,8%, superando uma linha de base RoboCasa365 correspondente em volume por 37,3%. O desempenho melhora continuamente à medida que os dados de pré-treinamento escalam de 25% para 100% do conjunto de dados, sem sinais de saturação—evidência de que os ganhos vêm da diversidade e cobertura, não de um impulso único. As maiores melhorias aparecem sob perturbações de câmera, ruído de sensor e layout, que são exatamente as variações que a Axis randomiza durante a geração. A equipe diz que o V2 já está em andamento, escalando para 1,2 milhão de trajetórias em 1.200 tarefas, com generalização entre corporificações e resultados em múltiplos modelos VLA mostrando que dados de simulação subótimos podem treinar políticas robustas.
O Mecanismo Por Trás do Conjunto de Dados
O conjunto de dados é uma saída de um mecanismo de dados maior e continuamente composto. Enquanto um fornecedor de dados tradicional coleta para uma especificação fixa e para, a Axis usa o desempenho do modelo e casos de falha para decidir o que coletar em seguida, então cada rodada de treinamento informa a próxima. Este mecanismo opera em uma estratégia híbrida em quatro linhas de dados, todas agora operando em escala:
- Simulação: Mais de 200.000 contribuidores distribuídos no Axis Hub, um dApp top-3 na Base, produziram mais de 4,7 milhões de trajetórias em 13 corporificações.
- Egocêntrico: Uma rede gerenciada de mais de 1.000 coletores em tempo integral, treinados em controle de qualidade, captura atividade em primeira pessoa em casas e negócios reais em 14 indústrias. Mais de 200.000 horas já estão armazenadas, crescendo em mais de 4.000 horas diariamente, com pose de mão verificada por Vicon.
- Loco-manipulação: Mais de 500 horas combinando mobilidade e destreza em humanoides reais (Unitree G1, Booster T2) através de teleoperação agnóstica de hardware.
- Pós-treinamento DAgger com gate humano: Mais de 500 horas de correção humano-no-circuito focada em casos extremos de implantação.
Cada tarefa e trajetória é registrada on-chain na Base para proveniência, e os contribuidores são recompensados pela qualidade verificada do trabalho.
De Dados Abertos à Implantação Comercial
Além de abrir dados de simulação, a Axis trabalha diretamente com empresas de corporificação robótica para construir conjuntos de dados personalizados para suas necessidades específicas. A Axis constrói pipelines de dados personalizados e priors de modelo adaptados a cada corporificação robótica. Como primeira parceira de dados de simulação da Booster Robotics, a Axis recriou o espaço de trabalho real da Booster como um gêmeo digital focado em tarefas. Contribuidores distribuídos então executaram mais de 42.000 episódios de simulação nele, que a Axis destilou em um prior de modelo específico para as necessidades da Booster. Usando apenas 30 demonstrações reais de robô, esse prior alcançou uma taxa de sucesso de 87,5%, em comparação com 37,5% para um modelo π0.5 padrão—igualando o desempenho do π0.5 com apenas metade das demonstrações do mundo real.
Outros parceiros da Axis incluem empresas de corporificação como Feagine Robotics, empresas de modelos como Manycore Tech e Dexmal, e empresas de automação industrial como Lotus Cars e Geely Auto. A Axis também alimenta redes de robótica on-chain, incluindo BitRobot na Solana e OpenRoboto na Bittensor.
Redefinindo a Fundação de Dados da IA Física
"O futuro da IA Física não é um conjunto de dados estático que você baixa uma vez," disse Chris Feng, fundador da Axis Robotics. "É um mecanismo que continua produzindo os dados que o modelo precisa em seguida. Escala dá a você cobertura ampla. Diversidade mantém o ruído imparcial. O loop fechado transforma cada falha em progresso. É isso que se compõe."
A Axis foi fundada por pesquisadores da UC Berkeley, CMU, Georgia Tech e SJTU, juntamente com fundadores em série que escalaram plataformas de consumo para mais de 30 milhões de usuários. Sua pesquisa é assessorada por Jiachen Li, Professor Assistente na Georgia Tech.
Link do Artigo: https://arxiv.org/abs/2607.21588
Página do Projeto: https://axisaiorg.github.io/AXIS-V1/
Link do Conjunto de Dados: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
Código no Github: https://github.com/AxisAIOrg/Axis-V1-Training
Perguntas Frequentes
Aqui está uma lista de perguntas frequentes sobre o conjunto de dados de simulação de braço Franka de código aberto da Axis Robotics, projetado para ser claro, prático e útil tanto para novatos quanto para roboticistas experientes
Perguntas Gerais para Iniciantes
P O que exatamente a Axis Robotics lançou
R Eles lançaram um enorme conjunto de dados de código aberto de dados simulados especificamente para braços robóticos Franka Ele contém milhões de exemplos do robô executando tarefas em um ambiente simulado, juntamente com os dados de sensores que os acompanham
P Por que isso é importante para a IA Física
R A IA Física precisa entender como interagir com o mundo real Treinar esses modelos de IA geralmente requer uma enorme quantidade de dados do mundo real, que é lenta e cara de coletar Este conjunto de dados fornece um atalho massivo e de alta qualidade, permitindo que os modelos de IA pratiquem bilhões de vezes em simulação primeiro
P O que é um conjunto de dados de simulação
R É uma coleção de dados gerados dentro de um programa de computador em vez de um robô físico Pense nisso como um videogame para robôs, onde cada ação e observação é registrada para criar dados de treinamento para IA
P Sou novo em robótica Posso usar este conjunto de dados
R Absolutamente Como é de código aberto, você pode baixá-lo e usá-lo para aprender Você pode começar explorando os dados para entender como os dados de sensores robóticos se parecem Para uso prático, algum conhecimento básico de Python e aprendizado de máquina é útil, mas a barreira de entrada é muito menor do que precisar do seu próprio robô físico
P Este conjunto de dados é apenas para o robô Franka específico ou posso usá-lo para outros robôs
R Os dados são específicos para os movimentos e sensores do braço Franka No entanto, as técnicas que você aprende e os modelos de IA que você treina podem frequentemente ser adaptados ou transferidos para outros braços robóticos semelhantes, especialmente se você usar uma estrutura que suporte transferência de modelo
Perguntas Técnicas Avançadas
P Em que formato específico está o conjunto de dados
R O conjunto de dados é tipicamente fornecido em um formato padrão como HDF5 ou um formato estruturado semelhante, frequentemente alinhado com estruturas comuns de aprendizado de robótica como RLBench ou Robosuite Geralmente inclui feeds de câmera RGBD, mapas de profundidade, estados de juntas do robô e trajetórias de ação