Axis Robotics открывает доступ к одной из крупнейших баз данных симуляции манипуляций с Franka Arm для физического ИИ

Axis Robotics выпустила Axis Sim Dataset V1, одну из крупнейших открытых баз данных симуляции для манипуляций с Franka Arm, с полным набором данных, кодом для обучения и эталонами, доступными для общественности. V1 создана на основе более чем 50 000 человечески управляемых симуляционных траекторий по 207 задачам манипуляции и более 60 000 вариантов сцен на симулированной руке Franka Research 3.

Эта база данных собрала более 160 000 загрузок, что делает её самой скачиваемой открытой базой данных симуляции манипуляций с Franka на Hugging Face. В эталонах непрерывное предварительное обучение на V1 повысило π0.5 и превзошло базовый уровень RoboCasa с сопоставимым объемом, при этом каждый результат открыт и проверяем.

Axis Robotics строит идеальный компаундный движок данных для физического ИИ, вертикально интегрированную систему, охватывающую крупномасштабную симуляцию, эгоцентрическую запись реального мира, гуманоидную локомо-манипуляцию и постобучение DAgger с человеческим контролем. Компания привлекла 12 миллионов долларов в рамках начального финансирования, возглавляемого Hack VC, с участием Nomad Capital, Pi Network Ventures, 10K Ventures и ангельских инвесторов.

Общее предположение в робототехнике заключается в том, что демонстрации должны быть почти оптимальными с самого начала --- отфильтровать до экспертных траекторий, стандартизировать настройку и отбросить все шумные данные, прежде чем безопасно имитировать. Тезис Axis идет в противоположном направлении: качество данных находится на уровне распределения, а не одной траектории. Когда большая и разнообразная толпа производит шумные, субоптимальные траектории, и их ошибки некоррелированы, шум усредняется, и рабочая политика выживает во время обучения.

Axis Sim Dataset V1 ставит этот тезис на публичное испытание. Его траектории охватывают подъем и размещение, укладку, наливание, манипуляцию с артикулированными объектами и использование инструментов, все собранные через платформу телеприсутствия Axis Hub, распределенной толпой, а не одной экспертной командой. База данных была создана с участием исследователей из UC Berkeley, Johns Hopkins, Университета Мичигана и других учреждений.

На LIBERO-Plus непрерывное предварительное обучение на V1 повышает π0.5 с 83.9% до 88.8% успеха и превосходит базовый уровень RoboCasa365 с сопоставимым объемом на 37.3%. Производительность последовательно улучшается по мере увеличения объема данных предварительного обучения с 25% до 100% базы данных, без признаков насыщения, что свидетельствует о том, что приросты происходят за счет разнообразия и охвата, а не однократного скачка. Наибольшие улучшения наблюдаются при изменениях камеры, шуме сенсоров и изменениях компоновки, именно по этим осям Axis рандомизирует данные во время генерации.

Команда сообщает, что V2 уже в разработке, охватывая 1.2 миллиона траекторий по 1,200 задачам, с обобщением через разные воплощения и результатами по нескольким моделям VLA, показывающими, что субоптимальные симуляционные данные обучают надежные политики.

Эта база данных является одним из результатов более крупного, активно компаундного движка данных. В то время как традиционный поставщик данных собирает по фиксированным спецификациям и останавливается, Axis использует производительность моделей и случаи неудач, чтобы определить, что следует собирать дальше, так что каждый раунд обучения информирует следующий. Этот движок работает по гибридной стратегии по четырем линиям данных, и все четыре теперь работают в масштабе:

• Симуляция: более 200 000 распределенных участников на Axis Hub, одном из трех лучших dApp на Base, производящих более 4.7 миллиона траекторий по 13 воплощениям.
• Эгоцентрическая: управляемая сеть из более чем 1 000 полноценных, обученных контроллеров, фиксирующих действия от первого лица в реальных домах и бизнесах в 14 отраслях: уже накоплено более 200 000 часов и растет на более чем 4 000 часов каждый день, с верифицированной позой рук от Vicon.
• Локо-манипуляция: более 500 часов, сочетающих мобильность и ловкость на реальных гуманоидных роботах (Unitree G1, Booster T2) через аппаратно-независимую телеприсутствие.
• DAgger с человеческим контролем после обучения: более 500 часов коррекции с участием человека, нацеленной на крайние случаи развертывания.

Каждая задача и траектория записываются в блокчейне на Base для происхождения, и участники получают вознаграждение за проверенное качество работы.

Помимо открытого доступа к симуляционным данным, Axis работает напрямую с компаниями по воплощению роботов, чтобы строить индивидуальные, специфические для воплощения каналы данных и модели приоритетов.

В качестве первого партнера по симуляционным данным компании Booster Robotics, Axis восстановила реальное рабочее пространство Booster в цифровой двойник, согласованный с задачами, позволила распределенным участникам собрать более 42 000 симуляционных эпизодов на нем и дистиллировала их в модель приоритета, специфичную для Booster. С помощью всего 30 демонстраций реального робота, этот приоритет достиг 87.5% успеха по сравнению с 37.5% для стандартного π0.5, соответствуя π0.5, используя половину демонстраций из реального мира.

Другие партнеры охватывают компании по воплощению (Feagine Robotics), компании по моделям (Manycore Tech, Dexmal) и промышленную автоматизацию (Lotus Cars, Geely Auto). Axis также предоставляет блокчейн-сети для робототехники: BitRobot на Solana и OpenRoboto на Bittensor.

"Будущее физического ИИ не является статической базой данных, которую вы загружаете один раз," сказал Крис Фэн, основатель Axis Robotics. "Это движок, который продолжает производить данные, которые модели нужны дальше. Масштаб обеспечивает широкий охват. Разнообразие сохраняет шум беспристрастным. Замкнутый цикл превращает каждую неудачу в прогресс. Вот что компаундирует."

Axis была основана исследователями из UC Berkeley, CMU, Georgia Tech и SJTU, наряду с серийными основателями, которые масштабировали потребительские платформы до более чем 30 миллионов пользователей. Её исследования курирует Джячэнь Ли, доцент Georgia Tech.

Этот контент предоставляется исключительно в общих информационных целях и не является финансовым, инвестиционным, юридическим или налоговым советом. Любые мероприятия, вознаграждения, онлайн-акции или связанная с ними информация, упомянутые в настоящем документе, не должны рассматриваться как рекомендация, приглашение к покупке, продаже, торговле или иной сделке с какими-либо криптоактивами. Криптоактивы очень волатильны и могут привести к убыткам. Доступность услуг, продуктов WEEX и связанных с ними событий может варьироваться в зависимости от региона. Вы несете ответственность за обеспечение того, чтобы ваше участие соответствовало применимым местным законам и нормативным актам.