Axis Robotics rend public l'un des plus grands ensembles de données de simulation de bras Franka pour l'IA physique

Axis Robotics a publié l'Axis Sim Dataset V1, l'un des plus grands ensembles de données de simulation open-source pour la manipulation de bras Franka, avec l'ensemble complet de données, le code d'entraînement et les benchmarks disponibles publiquement. V1 est construit à partir de plus de 50 000 trajectoires de simulation téléopérées par des humains à travers 207 tâches de manipulation et plus de 60 000 variantes de scènes sur un bras Franka Research 3 simulé.

Cet ensemble de données a été téléchargé plus de 160 000 fois, ce qui en fait l'ensemble de données de simulation de manipulation Franka open-source le plus téléchargé sur Hugging Face. Dans les benchmarks, le pré-entraînement continu sur V1 a augmenté π0.5 et a battu une référence RoboCasa de volume équivalent, chaque résultat étant ouvert et vérifiable.

Axis Robotics construit le moteur de données ultime pour l'IA physique, un système intégré verticalement englobant la simulation à grande échelle, la capture du monde réel égocentrique, la loco-manipulation humanoïde et le post-entraînement DAgger contrôlé par des humains. L'entreprise a levé 12 millions de dollars en financement de démarrage dirigé par Hack VC, avec la participation de Nomad Capital, Pi Network Ventures, 10K Ventures et des investisseurs privés.

Une hypothèse courante en robotique est que les démonstrations doivent être presque optimales pour commencer --- filtrer les trajectoires d'experts, standardiser la configuration et rejeter tout ce qui est bruyant avant qu'il soit sûr d'imiter. La thèse d'Axis va dans l'autre sens : la qualité des données réside au niveau de la distribution, pas de la trajectoire unique. Lorsqu'une foule suffisamment grande et diversifiée produit des trajectoires bruyantes et sous-optimales et que leurs erreurs ne sont pas corrélées, le bruit s'annule et une politique fonctionnelle survit pendant l'entraînement.

L'Axis Sim Dataset V1 met cette thèse à l'épreuve publique. Ses trajectoires couvrent la prise et le placement, l'empilement, le versement, la manipulation d'objets articulés et l'utilisation d'outils, toutes collectées via la plateforme de téléopération basée sur le navigateur d'Axis, Axis Hub, par une foule distribuée plutôt que par une seule équipe d'experts. L'ensemble de données a été construit avec des chercheurs de l'UC Berkeley, de Johns Hopkins, de l'Université du Michigan et d'autres institutions.

Sur LIBERO-Plus, le pré-entraînement continu sur V1 augmente π0.5 de 83,9 % à 88,8 % de succès et surpasse une référence RoboCasa365 de volume équivalent de 37,3 %. La performance s'améliore de manière constante à mesure que les données de pré-entraînement passent de 25 % à 100 % de l'ensemble de données, sans saturation en vue, preuve que les gains proviennent de la diversité et de la couverture plutôt que d'un coup ponctuel. Les plus grandes améliorations apparaissent sous des perturbations de caméra, de bruit de capteur et de disposition, les axes exacts qu'Axis randomise lors de la génération.

L'équipe indique que V2 est déjà en cours, s'étendant à 1,2 million de trajectoires à travers 1 200 tâches, avec une généralisation inter-embodiment et des résultats à travers plusieurs modèles VLA montrant que les données de simulation sous-optimales entraînent des politiques robustes.

L'ensemble de données est une sortie d'un moteur de données plus large et activement en cours de composition. Là où un fournisseur de données traditionnel collecte selon une spécification fixe et s'arrête, Axis utilise la performance des modèles et les cas d'échec pour déterminer ce qui doit être collecté ensuite, de sorte que chaque cycle d'entraînement informe le suivant. Ce moteur fonctionne sur une stratégie hybride à travers quatre lignes de données, et les quatre fonctionnent désormais à grande échelle :

• Simulation : plus de 200 000 contributeurs distribués sur Axis Hub, une des trois meilleures dApps sur Base, produisant plus de 4,7 millions de trajectoires à travers 13 incarnations.
• Egocentrique : un réseau géré de plus de 1 000 collecteurs à temps plein, formés à la QC, capturant l'activité de première personne dans de vraies maisons et entreprises à travers 14 industries : plus de 200 000 heures déjà accumulées et croissant de plus de 4 000 heures chaque jour, avec des poses de main vérifiées par Vicon.
• Loco-manipulation : plus de 500 heures combinant mobilité et dextérité sur de vrais humanoïdes (Unitree G1, Booster T2) grâce à une téléopération indépendante du matériel.
• Post-entraînement DAgger contrôlé par des humains : plus de 500 heures de correction avec un humain dans la boucle ciblant des cas limites de déploiement.

Chaque tâche et trajectoire est enregistrée sur la chaîne sur Base pour la provenance, et les contributeurs sont récompensés pour la qualité de leur travail vérifiée.

Au-delà de l'open-sourcing des données de simulation, Axis travaille directement avec des entreprises d'incarnation de robots pour construire des pipelines de données personnalisés et spécifiques à l'incarnation et des priors de modèles.

En tant que premier partenaire de données de simulation de Booster Robotics, Axis a reconstruit l'espace de travail réel de Booster en un jumeau numérique aligné sur les tâches, a fait collecter plus de 42 000 épisodes de simulation par des contributeurs distribués, et les a distillés en un prior de modèle spécifique à Booster. Avec seulement 30 démonstrations de robots réels, ce prior a atteint 87,5 % de succès contre 37,5 % pour un π0.5 standard, égalant le π0.5 en utilisant la moitié des démonstrations du monde réel.

D'autres partenaires incluent des entreprises d'incarnation (Feagine Robotics), des entreprises de modèles (Manycore Tech, Dexmal) et l'automatisation industrielle (Lotus Cars, Geely Auto). Axis fournit également des réseaux de robots sur chaîne : BitRobot sur Solana et OpenRoboto sur Bittensor.

"L'avenir de l'IA physique n'est pas un ensemble de données statique que vous téléchargez une fois," a déclaré Chris Feng, fondateur d'Axis Robotics. "C'est un moteur qui continue à produire les données dont le modèle a besoin ensuite. L'échelle vous donne une large couverture. La diversité maintient le bruit impartial. La boucle fermée transforme chaque échec en progrès. C'est ce qui compose."

Axis a été fondée par des chercheurs de l'UC Berkeley, de la CMU, du Georgia Tech et de la SJTU, aux côtés de fondateurs en série qui ont développé des plateformes grand public à plus de 30 millions d'utilisateurs. Sa recherche est conseillée par Jiachen Li, professeur adjoint au Georgia Tech.

Ce contenu est fourni à titre informatif uniquement et ne constitue pas un conseil financier, d'investissement, juridique ou fiscal. Les événements, récompenses, promotions en ligne ou informations mentionnées ici ne doivent pas être considérés comme une recommandation, une sollicitation ou une invitation à acheter, vendre, trader ou effectuer toute autre opération sur des actifs crypto. Les actifs crypto sont très volatils et peuvent entraîner des pertes. La disponibilité des services, produits et événements liés à WEEX peut varier selon les régions. Veuillez vous assurer que votre participation respecte les lois et réglementations locales applicables.