Společnost Axis Robotics vydala Axis Sim Dataset V1, jeden z největších open-source simulačních datových souborů pro manipulaci s ramenem Franka. Kompletní datový soubor, trénovací kód a benchmarky jsou nyní veřejně dostupné. V1 je postaven na více než 50 000 lidsky teleoperovaných simulačních trajektorií napříč 207 manipulačními úkoly a více než 60 000 variací scén, vše na simulovaném rameni Franka Research 3. Datový soubor zaznamenal přes 160 000 stažení, což z něj činí nejstahovanější open-source simulační Franka manipulační datový soubor na Hugging Face. V benchmarkách kontinuální předtrénování na V1 zlepšilo výkon π0.5 a překonalo objemově odpovídající baseline RoboCasa, přičemž všechny výsledky jsou otevřené a ověřitelné.
Axis Robotics buduje kompoundační datový engine pro fyzickou AI – plně integrovaný systém, který kombinuje rozsáhlou simulaci, egocentrický sběr z reálného světa, humanoidní lokomočně-manipulační činnost a post-trénink s lidským dohledem DAgger. Společnost získala 12 milionů dolarů v seed financování, vedeném Hack VC, s účastí Nomad Capital, Pi Network Ventures, 10K Ventures a andělských investorů.
Sázka proti „pouze čistým datům"
Častým předpokladem v robotice je, že demonstrace musí být od začátku téměř optimální – filtrovat na expertní trajektorie, standardizovat nastavení a odstranit všechna šumová data, než může fungovat imitační učení. Axis zastává opačný názor: kvalita dat je určena na úrovni distribuce, nikoli jednotlivými trajektoriemi. Když velký a různorodý dav produkuje šumové, suboptimální trajektorie a jejich chyby jsou nekorelované, šum se vyruší a během tréninku vznikne fungující politika. Axis Sim Dataset V1 podrobuje tuto myšlenku veřejnému testu. Jeho trajektorie pokrývají pick-and-place, stohování, nalévání, manipulaci s kloubovými objekty a použití nástrojů, vše shromážděné prostřednictvím browserové teleoperační platformy Axis Hub, distribuovaným davem spíše než jediným expertním týmem. Datový soubor byl vyvinut s výzkumníky z UC Berkeley, Johns Hopkins, University of Michigan a dalších institucí.
Výsledky, které škálují
Na LIBERO-Plus kontinuální předtrénování na V1 zvyšuje úspěšnost π0.5 z 83,9 % na 88,8 %, čímž překonává objemově odpovídající baseline RoboCasa365 o 37,3 %. Výkon se stabilně zlepšuje, jak se předtrénovací data škálují z 25 % na 100 % datového souboru, bez známek saturace – důkaz, že zisky pocházejí z diverzity a pokrytí, nikoli z jednorázového zlepšení. Největší zlepšení se objevují při perturbacích kamery, senzorového šumu a rozvržení, což jsou přesně variace, které Axis randomizuje během generování. Tým uvádí, že V2 je již v procesu, škáluje na 1,2 milionu trajektorií napříč 1 200 úkoly, s cross-embodiment generalizací a výsledky napříč více VLA modely ukazujícími, že suboptimální simulační data mohou trénovat robustní politiky.
Engine za datovým souborem
Datový soubor je jedním z výstupů většího, kontinuálně se kompoundujícího datového enginu. Zatímco tradiční dodavatel dat sbírá podle pevné specifikace a zastaví se, Axis používá výkon modelu a případy selhání k rozhodnutí, co sbírat dál, takže každé trénovací kolo informuje další. Tento engine běží na hybridní strategii napříč čtyřmi datovými liniemi, všechny nyní fungující ve velkém měřítku:
- Simulace: Přes 200 000 distribuovaných přispěvatelů na Axis Hub, top-3 dApp na Base, vytvořilo více než 4,7 milionu trajektorií napříč 13 embodimenty.
- Egocentrické: Spravovaná síť více než 1 000 plně zaměstnaných sběračů s QC školením zachycuje činnost z první osoby v reálných domácnostech a podnicích napříč 14 průmyslovými odvětvími. Přes 200 000 hodin je již uloženo, roste o více než 4 000 hodin denně, s Vicon-ověřenou pózou ruky.
- Lokomočně-manipulační: Více než 500 hodin kombinujících mobilitu a obratnost na skutečných humanoidech (Unitree G1, Booster T2) prostřednictvím hardwarově agnostické teleoperace.
- Post-trénink s lidským dohledem DAgger: Více než 500 hodin korekcí s lidským v smyčce zaměřených na okrajové případy nasazení.
Každý úkol a trajektorie je zaznamenána on-chain na Base pro účely původu a přispěvatelé jsou odměňováni za ověřenou kvalitu práce.
Od otevřených dat ke komerčnímu nasazení
Kromě open-source simulačních dat Axis spolupracuje přímo se společnostmi zabývajícími se robotickými embodimenty na vytváření vlastních datových souborů pro jejich specifické potřeby. Axis buduje vlastní datové pipeline a modelové priory přizpůsobené každému robotickému embodimentu. Jako první simulační datový partner Booster Robotics Axis znovu vytvořil skutečný pracovní prostor Booster jako úkolově zaměřené digitální dvojče. Distribuovaní přispěvatelé pak na něm spustili přes 42 000 simulačních epizod, které Axis destiloval do modelového prioru specifického pro potřeby Booster. S použitím pouze 30 skutečných robotických demonstrací tento prior dosáhl 87,5% úspěšnosti ve srovnání s 37,5% u standardního modelu π0.5 – čímž odpovídá výkonu π0.5 s pouze polovičním počtem demonstrací z reálného světa.
Mezi další partnery Axis patří embodiment společnosti jako Feagine Robotics, modelové společnosti jako Manycore Tech a Dexmal a společnosti průmyslové automatizace jako Lotus Cars a Geely Auto. Axis také pohání on-chain robotické sítě, včetně BitRobot na Solana a OpenRoboto na Bittensor.
Předefinování datového základu fyzické AI
„Budoucnost fyzické AI není statický datový soubor, který si jednou stáhnete," řekl Chris Feng, zakladatel Axis Robotics. „Je to engine, který nepřetržitě produkuje data, která model potřebuje dál. Škálování vám dá široké pokrytí. Diverzita udržuje šum nestranný. Uzavřená smyčka proměňuje každé selhání v pokrok. To je to, co se kompounduje."
Axis byla založena výzkumníky z UC Berkeley, CMU, Georgia Tech a SJTU spolu se sériovými zakladateli, kteří škálovali spotřebitelské platformy na více než 30 milionů uživatelů. Její výzkum je poraden Jiachen Li, docentem na Georgia Tech.
Odkaz na článek: https://arxiv.org/abs/2607.21588
Stránka projektu: https://axisaiorg.github.io/AXIS-V1/
Odkaz na datový soubor: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
Github kód: https://github.com/AxisAIOrg/Axis-V1-Training
Často kladené otázky
Zde je seznam častých otázek o open-source simulačním datovém souboru Franka ramene od Axis Robotics, navržený tak, aby byl jasný, praktický a užitečný pro nováčky i zkušené robotiky
Obecné otázky pro začátečníky
Q Co přesně Axis Robotics vydala
A Vydali obrovský open-source datový soubor simulovaných dat specificky pro robotická ramena Franka. Obsahuje miliony příkladů robota provádějícího úkoly v simulovaném prostředí spolu se souvisejícími senzorovými daty
Q Proč je to důležité pro fyzickou AI
A Fyzická AI potřebuje porozumět tomu, jak interagovat s reálným světem. Trénování těchto AI modelů obvykle vyžaduje obrovské množství dat z reálného světa, které je pomalé a drahé na sběr. Tento datový soubor poskytuje masivní vysoce kvalitní zkratku, která umožňuje AI modelům cvičit miliardykrát nejprve v simulaci
Q Co je simulační datový soubor
A Je to sbírka dat generovaných uvnitř počítačového programu spíše než z fyzického robota. Představte si to jako videohru pro roboty, kde je každá akce a pozorování zaznamenáno k vytvoření trénovacích dat pro AI
Q Jsem v robotice nováček. Mohu tento datový soubor použít
A Rozhodně. Protože je open-source, můžete si ho stáhnout a použít k učení. Můžete začít zkoumáním dat, abyste pochopili, jak vypadají robotická senzorová data. Pro praktické použití je užitečná základní znalost Pythonu a strojového učení, ale bariéra vstupu je mnohem nižší než potřeba vlastního fyzického robota
Q Je tento datový soubor pouze pro specifického robota Franka, nebo ho mohu použít pro jiné roboty
A Data jsou specifická pro pohyby a senzory ramene Franka. Nicméně techniky, které se naučíte, a AI modely, které trénujete, lze často adaptovat nebo přenést na jiná podobná robotická ramena, zejména pokud používáte framework, který podporuje přenos modelů
Technické pokročilé otázky
Q V jakém konkrétním formátu je datový soubor
A Datový soubor je obvykle poskytován ve standardním formátu, jako je HDF5 nebo podobném strukturovaném formátu, často sladěném s běžnými frameworky pro robotické učení, jako je RLBench nebo Robosuite. Obvykle zahrnuje RGBD kamerové snímky, hloubkové mapy, stavy kloubů robota a akční trajektorie