Axis Robotics on julkaissut Axis Sim Dataset V1:n, yhden suurimmista avoimen lähdekoodin simulointidataseteistä Franka-käsivarren manipulaatioon. Koko datasetti, harjoituskoodi ja vertailuarvot ovat nyt julkisesti saatavilla. V1 on rakennettu yli 50 000 ihmisen etäohjaamasta simulointiradasta 207 manipulaatiotehtävässä ja yli 60 000 skenaariomuunnelmassa, kaikki simuloidulla Franka Research 3 -käsivarrella. Datasetti on kerännyt yli 160 000 latausta, mikä tekee siitä ladatuimman avoimen lähdekoodin Franka-manipulaatiosimulointidatasettiin Hugging Facessa. Vertailuarvoissa jatkuva esiharjoitus V1:llä paransi π0.5-suorituskykyä ja voitti tilavuudeltaan vastaavan RoboCasa-perustason, ja kaikki tulokset ovat avoimia ja todennettavissa.
Axis Robotics rakentaa yhdistävää datajärjestelmää Physical AI:lle – täysin integroitua järjestelmää, joka yhdistää laajamittaisen simuloinnin, egosentrisen reaalimaailman tallennuksen, humanoidin liikkumis-manipulaation ja ihmisohjatun DAgger-jälkiharjoituksen. Yritys on kerännyt 12 miljoonan dollarin siemenrahoituksen, jota johtaa Hack VC, ja johon osallistuvat Nomad Capital, Pi Network Ventures, 10K Ventures ja enkelisijoittajat.
Veto "vain puhdasta dataa" -periaatetta vastaan
Yleinen oletus robotiikassa on, että demonstraatioiden on oltava lähes optimaalisia alusta alkaen – suodatetaan asiantuntijaradat, standardoidaan asetelma ja poistetaan kaikki kohinainen data ennen kuin jäljitelmäoppiminen voi toimia. Axis on päinvastaista mieltä: datan laatu määräytyy jakautumatasolla, ei yksittäisten ratojen perusteella. Kun suuri ja monimuotoinen joukko tuottaa kohinaisia, epäoptimaalisia ratoja ja niiden virheet ovat korreloimattomia, kohina kumoutuu ja toimiva käytäntö syntyy harjoituksen aikana. Axis Sim Dataset V1 asettaa tämän ajatuksen julkiseen testiin. Sen radat kattavat poiminta-ja-asettelu, pinoamisen, kaatamisen, nivellettyjen esineiden manipulaation ja työkalujen käytön, ja ne on kerännyt Axisin selainpohjaisen etäohjausalustan Axis Hubin kautta hajautettu joukko, ei yksittäinen asiantuntijatiimi. Datasetti on kehitetty yhteistyössä UC Berkeleyn, Johns Hopkinsin, Michiganin yliopiston ja muiden instituutioiden tutkijoiden kanssa.
Tulokset, jotka skaalautuvat
LIBERO-Plussassa jatkuva esiharjoitus V1:llä nostaa π0.5:n onnistumisen 83,9 prosentista 88,8 prosenttiin, ylittäen tilavuudeltaan vastaavan RoboCasa365-perustason 37,3 prosentilla. Suorituskyky paranee tasaisesti, kun esiharjoitusdata skaalautuu 25 prosentista 100 prosenttiin datasettistä, ilman merkkejä kyllästymisestä – todiste siitä, että hyödyt tulevat monimuotoisuudesta ja kattavuudesta, eivät kertaluonteisesta parannuksesta. Suurimmat parannukset näkyvät kameran, anturikohinan ja asettelun häiriöissä, jotka ovat juuri niitä muunnelmia, joita Axis satunnaistaa tuotannon aikana. Tiimi kertoo V2:n olevan jo käynnissä, skaalautuen 1,2 miljoonaan rataan 1 200 tehtävässä, ja poikkikehomuunnokset sekä tulokset useilla VLA-malleilla osoittavat, että epäoptimaalinen simulointidata voi kouluttaa vankkoja käytäntöjä.
Datasettin takana oleva moottori
Datasetti on yksi tuotos suuremmasta, jatkuvasti kasvavasta datajärjestelmästä. Perinteinen datatoimittaja kerää kiinteään määritykseen ja lopettaa, mutta Axis käyttää mallin suorituskykyä ja virhetapauksia päättääkseen, mitä kerätä seuraavaksi, joten jokainen harjoituskierros ohjaa seuraavaa. Tämä järjestelmä toimii hybridistrategialla neljän datalinjan yli, jotka kaikki toimivat nyt laajassa mittakaavassa:
- Simulointi: Yli 200 000 hajautettua osallistujaa Axis Hubissa, joka on Base-ketjun kolmen suosituimman dAppin joukossa, on tuottanut yli 4,7 miljoonaa rataa 13 kehomallissa.
- Egosentrinen: Hallinnoitu verkosto, jossa on yli 1 000 kokopäiväistä, laadunvalvontakoulutettua kerääjää, tallentaa ensimmäisen persoonan toimintaa oikeissa kodeissa ja yrityksissä 14 toimialalla. Yli 200 000 tuntia on jo tallennettu, kasvaen yli 4 000 tunnilla päivittäin, ja käden asento on Vicon-varmennettu.
- Liikkumis-manipulaatio: Yli 500 tuntia, jotka yhdistävät liikkuvuuden ja kätevyyden oikeilla humanoideilla (Unitree G1, Booster T2) laitteistoriippumattoman etäohjauksen kautta.
- Ihmisohjattu DAgger-jälkiharjoitus: Yli 500 tuntia ihmisen silmukassa -korjausta, joka keskittyy käyttöönoton reunatapauksiin.
Jokainen tehtävä ja rata kirjataan on-chain Base-ketjuun alkuperän varmistamiseksi, ja osallistujia palkitaan varmennetusta työn laadusta.
Avoimesta datasta kaupalliseen käyttöönottoon
Avoimen lähdekoodin simulointidatan lisäksi Axis työskentelee suoraan robottikehoyritysten kanssa rakentaakseen räätälöityjä datasettejä heidän erityistarpeisiinsa. Axis rakentaa mukautettuja dataputkia ja malliprioriteetteja, jotka on räätälöity kullekin robottikeholle. Booster Roboticsin ensimmäisenä simulointidatakumppanina Axis loi Boosterin oikeasta työtilasta tehtäväkeskeisen digitaalisen kaksosen. Hajautetut osallistujat suorittivat sitten yli 42 000 simulointiepisodia siinä, jotka Axis tislasi Boosterin tarpeisiin räätälöidyksi malliprioriteetiksi. Käyttämällä vain 30 oikean robotin demonstraatiota, tämä priori saavutti 87,5 prosentin onnistumisasteen verrattuna 37,5 prosenttiin tavallisella π0.5-mallilla – vastaten π0.5:n suorituskykyä vain puolella reaalimaailman demonstraatioista.
Axisin muita kumppaneita ovat kehoyritykset kuten Feagine Robotics, malliyhtiöt kuten Manycore Tech ja Dexmal sekä teollisuusautomaatioyritykset kuten Lotus Cars ja Geely Auto. Axis tukee myös on-chain-robotiikkaverkostoja, mukaan lukien BitRobot Solanassa ja OpenRoboto Bittensorissa.
Physical AI:n datapohjan uudelleenmäärittely
"Physical AI:n tulevaisuus ei ole staattinen datasetti, jonka lataat kerran", sanoi Chris Feng, Axis Roboticsin perustaja. "Se on moottori, joka tuottaa jatkuvasti dataa, jota malli tarvitsee seuraavaksi. Skaala antaa laajan kattavuuden. Monimuotoisuus pitää kohinan puolueettomana. Suljettu silmukka muuttaa jokaisen epäonnistumisen edistykseksi. Se on sitä, mikä kasvaa."
Axisin ovat perustaneet tutkijat UC Berkeleystä, CMU:sta, Georgia Techistä ja SJTU:sta sekä sarjayrittäjät, jotka ovat skaalaneet kuluttaja-alustoja yli 30 miljoonaan käyttäjään. Sen tutkimusta ohjaa Jiachen Li, apulaisprofessori Georgia Techissä.
Paperilinkki: https://arxiv.org/abs/2607.21588
Projektisivu: https://axisaiorg.github.io/AXIS-V1/
Datasettilinkki: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
GitHub-koodipohja: https://github.com/AxisAIOrg/Axis-V1-Training
Usein kysytyt kysymykset
Tässä on luettelo usein kysytyistä kysymyksistä Axis Roboticsin avoimen lähdekoodin Franka-käsivarren simulointidatasettistä, joka on suunniteltu olemaan selkeä, käytännöllinen ja hyödyllinen sekä uusille että kokeneille robotiikan harrastajille
Yleiset aloittelijan kysymykset
K: Mitä Axis Robotics tarkalleen ottaen julkaisi
V: He julkaisivat massiivisen avoimen lähdekoodin datasettin simuloidusta datasta, joka on tarkoitettu erityisesti Franka-robottikäsivarsille. Se sisältää miljoonia esimerkkejä robotin suorittamista tehtävistä simuloidussa ympäristössä sekä siihen liittyvän anturidatan
K: Miksi tämä on merkittävää Physical AI:lle
V: Physical AI tarvitsee ymmärrystä siitä, miten olla vuorovaikutuksessa reaalimaailman kanssa. Näiden tekoälymallien kouluttaminen vaatii yleensä valtavan määrän reaalimaailman dataa, jonka kerääminen on hidasta ja kallista. Tämä datasetti tarjoaa massiivisen, laadukkaan oikotien, joka antaa tekoälymalleille mahdollisuuden harjoitella miljardeja kertoja ensin simulaatiossa
K: Mikä on simulointidatasetti
V: Se on kokoelma dataa, joka on tuotettu tietokoneohjelman sisällä eikä fyysisestä robotista. Ajattele sitä robottien videopelinä, jossa jokainen toiminto ja havainto tallennetaan tekoälyn harjoitusdatan luomiseksi
K: Olen uusi robotiikassa. Voinko käyttää tätä datasettiä
V: Ehdottomasti. Koska se on avoimen lähdekoodin, voit ladata sen ja käyttää sitä oppimiseen. Voit aloittaa tutkimalla dataa ymmärtääksesi, miltä robottien anturidata näyttää. Käytännön käyttöön tarvitaan jonkin verran Python- ja koneoppimisosaamista, mutta aloituskynnys on paljon matalampi kuin oman fyysisen robotin hankkiminen
K: Onko tämä datasetti tarkoitettu vain tietylle Franka-robotille, vai voinko käyttää sitä muille roboteille
V: Data on spesifistä Franka-käsivarren liikkeille ja antureille. Kuitenkin oppimasi tekniikat ja kouluttamasi tekoälymallit voidaan usein mukauttaa tai siirtää muihin samankaltaisiin robottikäsivarsiin, erityisesti jos käytät kehystä, joka tukee mallinsiirtoa
Tekniset edistyneet kysymykset
K: Missä tarkassa muodossa datasetti on
V: Datasetti toimitetaan tyypillisesti vakiomuodossa, kuten HDF5 tai vastaavassa jäsennellyssä muodossa, joka on usein yhteensopiva yleisten robottioppimiskehysten, kuten RLBenchin tai Robosuiten, kanssa. Se sisältää yleensä RGBD-kamerasyötteet, syvyyskartat, robotin nivelten tilat ja toimintaradat