Axis Robotics Rende Open Source Uno Dei Più Grandi Dataset di Simulazione per Bracci Franka per l'AI Fisica

Axis Robotics ha rilasciato Axis Sim Dataset V1, uno dei più grandi dataset di simulazione open-source per la manipolazione con bracci Franka, con l'intero dataset, il codice di addestramento e i benchmark disponibili pubblicamente. V1 è costruito su oltre 50.000 traiettorie di simulazione teleoperate da esseri umani attraverso 207 compiti di manipolazione e oltre 60.000 varianti di scena su un braccio Franka Research 3 simulato.

Questo dataset ha registrato oltre 160.000 download, rendendolo il dataset di simulazione per la manipolazione Franka open-source più scaricato su Hugging Face. Nei benchmark, il pre-addestramento continuo su V1 ha sollevato π0.5 e ha superato un baseline RoboCasa di volume corrispondente, con ogni risultato aperto e verificabile.

Axis Robotics sta costruendo il motore di dati composti definitivo per l'AI Fisica, un sistema verticalmente integrato che spazia dalla simulazione su larga scala, alla cattura del mondo reale egocentrica, alla locomozione umanoide e al DAgger post-addestramento controllato dagli esseri umani. L'azienda ha raccolto 12 milioni di dollari in finanziamenti seed guidati da Hack VC, con la partecipazione di Nomad Capital, Pi Network Ventures, 10K Ventures e investitori angelici.

Una comune assunzione nella robotica è che le dimostrazioni debbano essere quasi ottimali per iniziare --- filtrare verso traiettorie esperte, standardizzare l'impostazione e scartare qualsiasi cosa rumorosa prima che sia sicuro imitare. La tesi di Axis va nella direzione opposta: la qualità dei dati vive a livello di distribuzione, non di singola traiettoria. Quando una folla grande e diversificata produce traiettorie rumorose e subottimali e i loro errori non sono correlati, il rumore si media e una politica funzionante sopravvive durante l'addestramento.

Axis Sim Dataset V1 mette alla prova pubblicamente questa tesi. Le sue traiettorie spaziano da pick-and-place, impilamento, versamento, manipolazione di oggetti articolati e uso di strumenti, tutte raccolte attraverso la piattaforma di teleoperazione basata su browser di Axis, Axis Hub, da una folla distribuita piuttosto che da un singolo team esperto. Il dataset è stato costruito con ricercatori dell'UC Berkeley, Johns Hopkins, Università del Michigan e altre istituzioni.

Su LIBERO-Plus, il pre-addestramento continuo su V1 solleva π0.5 dal 83.9% all'88.8% di successo e supera un baseline RoboCasa365 di volume corrispondente del 37.3%. Le prestazioni migliorano costantemente man mano che i dati di pre-addestramento aumentano dal 25% al 100% del dataset, senza saturazione in vista, evidenza che i guadagni derivano dalla diversità e dalla copertura piuttosto che da un incremento occasionale. I miglioramenti più grandi si osservano sotto perturbazioni di fotocamera, rumore del sensore e layout, gli esatti assi che Axis randomizza durante la generazione.

Il team afferma che V2 è già in fase di sviluppo, scalando a 1,2 milioni di traiettorie attraverso 1.200 compiti, con generalizzazione cross-embodiment e risultati attraverso più modelli VLA che mostrano che i dati di simulazione subottimali addestrano politiche robuste.

Il dataset è uno dei risultati di un motore di dati più ampio e attivamente composto. Dove un fornitore di dati tradizionale raccoglie secondo una specifica fissa e si ferma, Axis utilizza le prestazioni del modello e i casi di fallimento per determinare cosa dovrebbe essere raccolto successivamente, in modo che ogni ciclo di addestramento informi il successivo. Quel motore funziona su una strategia ibrida attraverso quattro linee di dati, e tutte e quattro ora funzionano su larga scala:

• Simulazione : oltre 200.000 contributori distribuiti su Axis Hub, una delle prime 3 dApp su Base, producendo oltre 4,7 milioni di traiettorie attraverso 13 incarnazioni.
• Egocentrico : una rete gestita di oltre 1.000 raccoglitori a tempo pieno, addestrati al QC, che catturano attività in prima persona in case e aziende reali attraverso 14 settori: oltre 200.000 ore già accumulate e in crescita di oltre 4.000 ore ogni giorno, con pose delle mani verificate da Vicon.
• Locomozione-manipolazione : oltre 500 ore combinando mobilità e destrezza su umani reali (Unitree G1, Booster T2) attraverso teleoperazione indipendente dall'hardware.
• DAgger post-addestramento controllato dagli esseri umani : oltre 500 ore di correzione con esseri umani nel loop mirata a casi limite di distribuzione.

Ogni compito e traiettoria è registrato on-chain su Base per la provenienza, e i contributori sono ricompensati per la qualità del lavoro verificata.

Oltre a rendere open-source i dati di simulazione, Axis lavora direttamente con aziende di incarnazione robotica per costruire pipeline di dati personalizzate e specifiche per l'incarnazione e priors di modello.

Come primo partner di sim-data di Booster Robotics, Axis ha ricostruito lo spazio di lavoro reale di Booster come un gemello digitale allineato al compito, ha fatto raccogliere a contributori distribuiti oltre 42.000 episodi di simulazione su di esso, e li ha distillati in un prior di modello specifico per Booster. Con solo 30 dimostrazioni di robot reali, quel prior ha raggiunto il 87.5% di successo contro il 37.5% per un π0.5 standard, corrispondendo a π0.5 utilizzando metà delle dimostrazioni del mondo reale.

Altri partner spaziano da aziende di incarnazione (Feagine Robotics), aziende di modelli (Manycore Tech, Dexmal) e automazione industriale (Lotus Cars, Geely Auto). Axis fornisce anche reti robotiche on-chain : BitRobot su Solana e OpenRoboto su Bittensor.

"Il futuro dell'AI Fisica non è un dataset statico che scarichi una volta," ha detto Chris Feng, fondatore di Axis Robotics. "È un motore che continua a produrre i dati di cui il modello ha bisogno successivamente. La scala ti dà una copertura ampia. La diversità mantiene il rumore imparziale. Il ciclo chiuso trasforma ogni fallimento in progresso. Questo è ciò che compone."

Axis è stata fondata da ricercatori dell'UC Berkeley, CMU, Georgia Tech e SJTU, insieme a fondatori seriali che hanno scalato piattaforme consumer a oltre 30 milioni di utenti. La sua ricerca è consigliata da Jiachen Li, Professore Assistente presso Georgia Tech.

Questo contenuto è fornito a solo scopo informativo generale e non costituisce consulenza finanziaria, di investimento, legale o fiscale. Qualsiasi evento, ricompensa, promozione online o informazione correlata menzionata nel presente documento non deve essere considerata una raccomandazione, una sollecitazione o un invito ad acquistare, vendere, fare trading o altrimenti negoziare criptovalute. Le criptovalute sono altamente volatili e possono comportare perdite. La disponibilità dei servizi, dei prodotti e degli eventi correlati di WEEX può variare a seconda della regione. È tua responsabilità assicurarti che la tua partecipazione sia conforme alle leggi e ai regolamenti locali applicabili.