Axis Robotics opublikowało Axis Sim Dataset V1, jeden z największych otwartoźródłowych zestawów danych symulacyjnych do manipulacji ramieniem Franka. Pełny zestaw danych, kod treningowy i benchmarki są teraz publicznie dostępne. V1 został zbudowany z ponad 50 000 ludzkich, zdalnie sterowanych trajektorii symulacyjnych obejmujących 207 zadań manipulacyjnych i ponad 60 000 wariantów scen, wszystko na symulowanym ramieniu Franka Research 3. Zestaw danych przyciągnął ponad 160 000 pobrań, co czyni go najczęściej pobieranym otwartoźródłowym zestawem danych symulacyjnych Franka do manipulacji na Hugging Face. W benchmarkach ciągłe wstępne trenowanie na V1 poprawiło wydajność π0.5 i pokonało porównywalny objętościowo baseline RoboCasa, a wszystkie wyniki są otwarte i weryfikowalne.
Axis Robotics buduje kompilujący silnik danych dla Fizycznej AI—w pełni zintegrowany system, który łączy wielkoskalową symulację, egocentryczne przechwytywanie rzeczywistości, humanoidalną lokomocję-manipulację i post-trening DAgger z ludzką kontrolą. Firma pozyskała 12 milionów dolarów w finansowaniu zalążkowym, prowadzonym przez Hack VC, z udziałem Nomad Capital, Pi Network Ventures, 10K Ventures i aniołów biznesu.
Zakład przeciwko „tylko czystym danym”
Częstym założeniem w robotyce jest to, że demonstracje muszą być od początku prawie optymalne—filtruj do eksperckich trajektorii, standaryzuj ustawienie i usuń wszelkie zaszumione dane, zanim uczenie przez naśladownictwo zadziała. Axis przyjmuje odwrotny pogląd: jakość danych jest określana na poziomie rozkładu, a nie pojedynczych trajektorii. Kiedy duży i zróżnicowany tłum produkuje zaszumione, suboptymalne trajektorie, a ich błędy są nieskorelowane, szum się znosi, a działająca polityka wyłania się podczas treningu. Axis Sim Dataset V1 poddaje ten pomysł publicznemu testowi. Jego trajektorie obejmują pick-and-place, układanie, nalewanie, manipulację obiektami przegubowymi i użycie narzędzi, wszystkie zebrane przez przeglądarkową platformę teleoperacyjną Axis, Axis Hub, przez rozproszony tłum, a nie pojedynczy zespół ekspertów. Zestaw danych został opracowany z naukowcami z UC Berkeley, Johns Hopkins, University of Michigan i innych instytucji.
Wyniki, które się skalują
Na LIBERO-Plus ciągłe wstępne trenowanie na V1 podnosi sukces π0.5 z 83,9% do 88,8%, przewyższając porównywalny objętościowo baseline RoboCasa365 o 37,3%. Wydajność poprawia się stale, gdy dane wstępnego trenowania skalują się od 25% do 100% zestawu danych, bez oznak nasycenia—dowód, że zyski pochodzą z różnorodności i pokrycia, a nie jednorazowego wzrostu. Największe poprawy pojawiają się przy perturbacjach kamery, szumu czujników i układu, co jest dokładnie tymi wariantami, które Axis randomizuje podczas generowania. Zespół mówi, że V2 jest już w trakcie realizacji, skalując się do 1,2 miliona trajektorii w 1200 zadaniach, z generalizacją między ciałami i wynikami na wielu modelach VLA, pokazującymi, że suboptymalne dane symulacyjne mogą trenować solidne polityki.
Silnik stojący za zestawem danych
Zestaw danych jest jednym z wyników większego, ciągle kompilującego silnika danych. Podczas gdy tradycyjny dostawca danych zbiera do stałej specyfikacji i przestaje, Axis używa wydajności modelu i przypadków awarii, aby zdecydować, co zbierać dalej, więc każda runda treningowa informuje następną. Ten silnik działa na hybrydowej strategii w czterech liniach danych, wszystkie teraz działające na skalę:
- Symulacja: Ponad 200 000 rozproszonych współtwórców na Axis Hub, top-3 dApp na Base, wyprodukowało ponad 4,7 miliona trajektorii w 13 ciałach.
- Egocentryczne: Zarządzana sieć ponad 1000 pełnoetatowych, przeszkolonych w kontroli jakości kolektorów przechwytuje aktywność pierwszoosobową w prawdziwych domach i firmach w 14 branżach. Ponad 200 000 godzin jest już zgromadzonych, rosnąc o ponad 4000 godzin dziennie, z pozycją dłoni weryfikowaną przez Vicon.
- Lokomocja-manipulacja: Ponad 500 godzin łączących mobilność i zręczność na prawdziwych humanoidach (Unitree G1, Booster T2) przez sprzętowo-agnostyczną teleoperację.
- Post-trening DAgger z ludzką kontrolą: Ponad 500 godzin korekt z człowiekiem w pętli, skupionych na przypadkach brzegowych wdrożenia.
Każde zadanie i trajektoria jest rejestrowana on-chain na Base dla proweniencji, a współtwórcy są nagradzani za zweryfikowaną jakość pracy.
Od otwartych danych do komercyjnego wdrożenia
Poza otwieraniem danych symulacyjnych, Axis pracuje bezpośrednio z firmami produkującymi ciała robotów, aby budować dostosowane zestawy danych dla ich specyficznych potrzeb. Axis buduje niestandardowe pipeline'y danych i priory modeli dopasowane do każdego ciała robotycznego. Jako pierwszy partner danych symulacyjnych Booster Robotics, Axis odtworzył prawdziwe miejsce pracy Booster jako cyfrowego bliźniaka skupionego na zadaniach. Rozproszeni współtwórcy przeprowadzili ponad 42 000 epizodów symulacyjnych na nim, które Axis destylował do priory modelu specyficznego dla potrzeb Booster. Używając tylko 30 prawdziwych demonstracji robota, ten prior osiągnął 87,5% wskaźnik sukcesu, w porównaniu do 37,5% dla standardowego modelu π0.5—dorównując wydajności π0.5 z tylko połową prawdziwych demonstracji.
Inni partnerzy Axis obejmują firmy produkujące ciała, takie jak Feagine Robotics, firmy modelowe, takie jak Manycore Tech i Dexmal, oraz firmy automatyki przemysłowej, takie jak Lotus Cars i Geely Auto. Axis zasila również sieci robotyczne on-chain, w tym BitRobot na Solana i OpenRoboto na Bittensor.
Redefiniowanie fundamentu danych Fizycznej AI
„Przyszłość Fizycznej AI to nie statyczny zestaw danych, który pobierasz raz”, powiedział Chris Feng, założyciel Axis Robotics. „To silnik, który ciągle produkuje dane, których model potrzebuje dalej. Skala daje szerokie pokrycie. Różnorodność utrzymuje szum bezstronnym. Zamknięta pętla zamienia każdą awarię w postęp. To się kompiluje.”
Axis zostało założone przez naukowców z UC Berkeley, CMU, Georgia Tech i SJTU, wraz z seryjnymi założycielami, którzy skalowali platformy konsumenckie do ponad 30 milionów użytkowników. Jego badania są doradzane przez Jiachen Li, adiunkta na Georgia Tech.
Link do artykułu: https://arxiv.org/abs/2607.21588
Strona projektu: https://axisaiorg.github.io/AXIS-V1/
Link do zestawu danych: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
Kod na Githubie: https://github.com/AxisAIOrg/Axis-V1-Training
Często zadawane pytania
Oto lista często zadawanych pytań na temat otwartoźródłowego zestawu danych symulacyjnych ramienia Franka od Axis Robotics, zaprojektowana tak, aby była jasna, praktyczna i użyteczna zarówno dla nowicjuszy, jak i doświadczonych robotyków
Ogólne pytania dla początkujących
P Co dokładnie opublikowało Axis Robotics
O Opublikowali ogromny otwartoźródłowy zestaw danych symulacyjnych specjalnie dla ramion robotycznych Franka. Zawiera miliony przykładów robota wykonującego zadania w symulowanym środowisku, wraz z towarzyszącymi danymi z czujników
P Dlaczego to jest ważne dla Fizycznej AI
O Fizyczna AI musi rozumieć, jak oddziaływać z prawdziwym światem. Trenowanie tych modeli AI zwykle wymaga ogromnej ilości danych z rzeczywistości, co jest wolne i kosztowne w zbieraniu. Ten zestaw danych zapewnia masowy, wysokiej jakości skrót, pozwalając modelom AI ćwiczyć miliardy razy najpierw w symulacji
P Co to jest zestaw danych symulacyjnych
O To zbiór danych wygenerowanych wewnątrz programu komputerowego, a nie z fizycznego robota. Myśl o tym jak o grze wideo dla robotów, gdzie każde działanie i obserwacja jest rejestrowana, aby stworzyć dane treningowe dla AI
P Jestem nowy w robotyce. Czy mogę używać tego zestawu danych
O Oczywiście. Ponieważ jest otwartoźródłowy, możesz go pobrać i używać do nauki. Możesz zacząć od eksploracji danych, aby zrozumieć, jak wyglądają dane z czujników robotycznych. Do praktycznego użycia przydatna jest podstawowa znajomość Pythona i uczenia maszynowego, ale próg wejścia jest znacznie niższy niż potrzeba posiadania własnego fizycznego robota
P Czy ten zestaw danych jest tylko dla konkretnego robota Franka, czy mogę go użyć dla innych robotów
O Dane są specyficzne dla ruchów i czujników ramienia Franka. Jednak techniki, których się nauczysz, i modele AI, które trenujesz, mogą być często adaptowane lub przenoszone na inne podobne ramiona robotyczne, zwłaszcza jeśli używasz frameworka wspierającego transfer modeli
Pytania techniczne i zaawansowane
P W jakim konkretnym formacie jest zestaw danych
O Zestaw danych jest zwykle dostarczany w standardowym formacie, takim jak HDF5 lub podobnym strukturalnym formacie, często zgodnym z popularnymi frameworkami uczenia robotycznego, takimi jak RLBench lub Robosuite. Zwykle obejmuje strumienie kamer RGBD, mapy głębi, stany połączeń robota i trajektorie działań