Axis Robotics veröffentlicht eines der größten Open-Source-Simulationsdatensätze für Franka Arm Manipulation

Axis Robotics hat das Axis Sim Dataset V1 veröffentlicht, einen der größten Open-Source-Simulationsdatensätze für die Manipulation mit dem Franka Arm, wobei der vollständige Datensatz, der Trainingscode und die Benchmarks öffentlich verfügbar sind. V1 basiert auf mehr als 50.000 menschlich-teleoperierten Simulationsbahnen über 207 Manipulationsaufgaben und mehr als 60.000 Szenenvarianten auf einem simulierten Franka Research 3 Arm.

Dieser Datensatz verzeichnete über 160.000 Downloads und ist damit der am häufigsten heruntergeladene Open-Source-Simulationsdatensatz für Franka-Manipulation auf Hugging Face. In Benchmarks erhöhte das kontinuierliche Pretraining auf V1 π0.5 und übertraf eine volumenangepasste RoboCasa-Basislinie, wobei jedes Ergebnis offen und überprüfbar ist.

Axis Robotics baut die ultimative Datenmaschine für Physical AI, ein vertikal integriertes System, das großangelegte Simulationen, egozentrische Erfassung der realen Welt, humanoide Loco-Manipulation und menschlich-gesteuertes DAgger-Post-Training umfasst. Das Unternehmen hat 12 Millionen US-Dollar an Seed-Finanzierung unter der Leitung von Hack VC gesammelt, mit Beteiligung von Nomad Capital, Pi Network Ventures, 10K Ventures und Angel-Investoren.

Eine gängige Annahme in der Robotik ist, dass Demonstrationen von Anfang an nahezu optimal sein müssen – man filtert auf Expertenbahnen, standardisiert das Setup und verwirft alles Rauschende, bevor es sicher ist, nachzuahmen. Die These von Axis läuft in die andere Richtung: Die Datenqualität liegt auf der Verteilungsebene, nicht auf der einzelnen Bahn. Wenn eine große und vielfältige Menge von Menschen rauschende, suboptimale Bahnen produziert und ihre Fehler unkorreliert sind, gleichen sich die Störungen aus und eine funktionierende Politik überlebt während des Trainings.

Das Axis Sim Dataset V1 stellt diese These einem öffentlichen Test. Seine Bahnen umfassen Pick-and-Place, Stapeln, Gießen, Manipulation von artikulierten Objekten und Werkzeugnutzung, die alle über die browserbasierte Teleoperationsplattform Axis Hub von einer verteilten Menge und nicht von einem einzelnen Expertenteam gesammelt wurden. Der Datensatz wurde mit Forschern von der UC Berkeley, Johns Hopkins, der University of Michigan und anderen Institutionen erstellt.

Auf LIBERO-Plus hebt das kontinuierliche Pretraining auf V1 π0.5 von 83,9 % auf 88,8 % Erfolg und übertrifft eine volumenangepasste RoboCasa365-Basislinie um 37,3 %. Die Leistung verbessert sich konstant, während die Pretraining-Daten von 25 % auf 100 % des Datensatzes skaliert werden, ohne dass eine Sättigung in Sicht ist, was Beweise dafür liefert, dass die Gewinne aus Vielfalt und Abdeckung und nicht aus einem einmaligen Anstieg stammen. Die größten Verbesserungen treten unter Kamera-, Sensorrauschen- und Layout-Störungen auf, die genau die Achsen sind, die Axis während der Generierung randomisiert.

Das Team sagt, dass V2 bereits in Arbeit ist und auf 1,2 Millionen Bahnen über 1.200 Aufgaben skaliert, mit übergreifender Generalisierung und Ergebnissen über mehrere VLA-Modelle, die zeigen, dass suboptimale Simulationsdaten robuste Politiken trainieren.

Der Datensatz ist ein Ergebnis einer größeren, aktiv kompilierenden Datenmaschine. Während ein traditioneller Datenanbieter zu einer festen Spezifikation sammelt und stoppt, nutzt Axis die Modellleistung und Fehlerfälle, um zu bestimmen, was als Nächstes gesammelt werden sollte, sodass jede Trainingsrunde die nächste informiert. Diese Maschine läuft mit einer hybriden Strategie über vier Datenlinien, und alle vier laufen jetzt in großem Maßstab:

• Simulation : über 200.000 verteilte Mitwirkende auf Axis Hub, einer der Top-3 dApps auf Base, die über 4,7 Millionen Bahnen über 13 Inkarnationen produzieren.
• Egozentrisch : ein verwaltetes Netzwerk von über 1.000 Vollzeit-QC-ausgebildeten Sammlern, die Aktivitäten aus der Ich-Perspektive in echten Haushalten und Unternehmen in 14 Branchen erfassen: bereits über 200.000 Stunden gesammelt, die täglich um über 4.000 Stunden wachsen, mit von Vicon verifiziertem Handpose.
• Loco-Manipulation : über 500 Stunden, die Mobilität und Geschicklichkeit an echten Humanoiden (Unitree G1, Booster T2) durch hardwareunabhängige Teleoperation kombinieren.
• Menschlich-gesteuertes DAgger-Post-Training : über 500 Stunden menschlicher Korrektur im Loop, die auf Einsatzrandfälle abzielt.

Jede Aufgabe und Bahn wird on-chain auf Base für die Herkunft aufgezeichnet, und Mitwirkende werden für die verifizierte Arbeitsqualität belohnt.

Neben der Open-Source-Simulation arbeitet Axis direkt mit Robotik-Inkarnationsunternehmen zusammen, um maßgeschneiderte, inkarnationsspezifische Datenpipelines und Modellvorgaben zu erstellen.

Als erster Simulationsdatenpartner von Booster Robotics hat Axis den realen Arbeitsplatz von Booster als aufgabenorientierten digitalen Zwilling neu aufgebaut, ließ verteilte Mitwirkende über 42.000 Simulationsepisoden darauf sammeln und destillierte sie in ein Booster-spezifisches Modellvorgabe. Mit nur 30 realen Roboterdemos erreichte diese Vorgabe 87,5 % Erfolg im Vergleich zu 37,5 % für ein Standard-π0.5, was π0.5 mit der Hälfte der realen Demonstrationen entspricht.

Weitere Partner umfassen Inkarnationsunternehmen (Feagine Robotics), Modellunternehmen (Manycore Tech, Dexmal) und industrielle Automatisierung (Lotus Cars, Geely Auto). Axis liefert auch on-chain Robotiknetzwerke : BitRobot auf Solana und OpenRoboto auf Bittensor.

"Die Zukunft der Physical AI ist kein statischer Datensatz, den man einmal herunterlädt", sagte Chris Feng, Gründer von Axis Robotics. "Es ist eine Maschine, die weiterhin die Daten produziert, die das Modell als Nächstes benötigt. Skalierung bringt breite Abdeckung. Vielfalt hält das Rauschen unvoreingenommen. Der geschlossene Kreislauf verwandelt jeden Fehler in Fortschritt. Das ist das, was sich kumuliert."

Axis wurde von Forschern der UC Berkeley, CMU, Georgia Tech und SJTU sowie von seriellen Gründern gegründet, die Verbraucherplattformen auf über 30 Millionen Nutzer skaliert haben. Die Forschung wird von Jiachen Li, Assistenzprofessor an der Georgia Tech, beraten.

Dieser Inhalt wird nur zu allgemeinen Informationszwecken bereitgestellt und stellt keine finanzielle, Anlage-, Rechts- oder Steuerberatung dar. Alle erwähnten Ereignisse, Prämien, Online-Aktionen oder zugehörige Informationen sollten nicht als Empfehlung, Aufforderung oder Einladung zum Kauf, Verkauf, Handel oder anderweitigem Umgang mit Krypto-Assets betrachtet werden. Krypto-Assets sind sehr volatil und können zu Verlusten führen. Die Verfügbarkeit von WEEX Services, Produkten und zugehörigen Aktionen kann je nach Region unterschiedlich sein. Sie sind dafür verantwortlich sicherzustellen, dass Ihre Teilnahme mit geltenden lokalen Gesetzen und Vorschriften übereinstimmt.