Axis Robotics a publié Ensemble de données Axis Sim V1l'un des plus grands ensembles de données de simulation open source pour la manipulation du bras Franka, avec l'ensemble de données complet, le code de formation et les références accessibles au public. La V1 est construite 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 attiré plus de 160 000 téléchargements, 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 la V1 a augmenté π0,5 et a dépassé une référence RoboCasa correspondant au volume, avec chaque résultat ouvert et vérifiable.
Axis Robotics construit le moteur de données composé ultime pour l'IA physique, un système intégré verticalement couvrant la simulation à grande échelle, la capture égocentrique du monde réel, la manipulation de locomotives humanoïdes et la post-formation DAgger à accès humain. La société 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 d'investisseurs providentiels.
Un pari contre les « données propres uniquement »
Une hypothèse courante en robotique est que les démonstrations doivent être presque optimales au départ : filtrer jusqu'aux trajectoires d'experts, standardiser la configuration et éliminer tout ce qui est bruyant avant de pouvoir l'imiter en toute sécurité. La thèse d'Axis va dans l'autre sens : la qualité des données réside au niveau de la distribution, et non au niveau de la trajectoire unique. Lorsqu'une foule suffisamment nombreuse et diversifiée produit des trajectoires bruyantes et sous-optimales et que leurs erreurs ne sont pas corrélées, le bruit s'équilibre et une politique de travail survit pendant la formation.
Axis Sim Dataset V1 met cette thèse à l’épreuve publique. Ses trajectoires couvrent le placement, l'empilement, le versement, la manipulation d'objets articulés et l'utilisation d'outils, le tout collecté via la plate-forme de téléopération basée sur un 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.
Des résultats à grande échelle
Sur LIBERO-Plus, le pré-entraînement continu sur la V1 augmente π0,5 de 83,9 % à 88,8 % de réussite et surpasse de 37,3 % une référence RoboCasa365 correspondant au volume. Les performances s'améliorent constamment 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'une augmentation ponctuelle. Les améliorations les plus importantes apparaissent sous les perturbations de la caméra, du bruit du capteur et de la disposition, les axes exacts qu'Axis randomise pendant la génération.
L’équipe affirme que la V2 est déjà en cours, s’étendant à 1,2 million de trajectoires sur 1 200 tâches, avec une généralisation entre modes de réalisation et des résultats sur plusieurs modèles VLA montrant que les données de simulation sous-optimales entraînent des politiques robustes.
Le moteur derrière l'ensemble de données
L’ensemble de données est l’un des résultats d’un moteur de données plus vaste et à composition active. Là où un fournisseur de données traditionnel collecte selon une spécification fixe et s'arrête, Axis utilise les performances du modèle et les cas de défaillance pour déterminer ce qui doit être collecté ensuite, de sorte que chaque cycle de formation éclaire le suivant. Ce moteur fonctionne selon une stratégie hybride sur quatre lignes de données, et toutes les quatre fonctionnent désormais à grande échelle :
- Simulation: plus de 200 000 contributeurs répartis sur Axis Hub, l'une des 3 meilleures dApp sur Base, produisant plus de 4,7 millions de trajectoires dans 13 modes de réalisation.
- Égocentrique: un réseau géré de plus de 1 000 collectionneurs à temps plein, formés au contrôle qualité, capturant l'activité à la première personne dans de vraies maisons et entreprises dans 14 secteurs : plus de 200 000 heures déjà accumulées et augmentant de plus de 4 000 heures chaque jour, avec une pose des mains vérifiée par Vicon.
- Manipulation de locomotive: Plus de 500 heures combinant mobilité et dextérité sur de vrais humanoïdes (Unitree G1, Booster T2) grâce à une téléopération indépendante du matériel.
- Post-formation DAgger à barrière humaine: Plus de 500 heures de correction humaine dans la boucle ciblée sur les cas limites de déploiement.
Chaque tâche et trajectoire est enregistrée en chaîne sur Base pour en vérifier la provenance, et les contributeurs sont récompensés pour la qualité du travail vérifiée.
Des données ouvertes au déploiement commercial
Au-delà des données de simulation open source, Axis travaille directement avec entreprises d'incarnation de robots pour créer des pipelines de données et des modèles a priori personnalisés et spécifiques au mode de réalisation.
En tant que premier partenaire de données de simulation de Booster Robotics, Axis a reconstruit l'espace de travail réel de Booster en tant que jumeau numérique aligné sur les tâches, a distribué aux contributeurs, collecté plus de 42 000 épisodes de simulation et les a distillés auparavant dans un modèle spécifique à Booster. Avec seulement 30 démonstrations de robots réels, ce résultat avait atteint 87,5 % de réussite, contre 37,5 % pour un π0,5 prêt à l'emploi, correspondant à π0,5 en utilisant la moitié des démonstrations réelles.
D'autres partenaires s'étendent sociétés d'incarnation (Feagine Robotique), entreprises modèles (Manycore Tech, Dexmal) et automatisation industrielle (Voitures Lotus, Geely Auto). Axis fournit également réseaux robotiques en chaîne: BitRobot sur Solana et OpenRoboto sur Bittensor.
Redéfinir la base de données de l'IA physique
« L'avenir de l'IA physique n'est pas un ensemble de données statiques que vous téléchargez une seule fois », a déclaré Chris Feng, fondateur d'Axis Robotics. « C'est un moteur qui continue de produire les données dont le modèle a ensuite besoin. L'échelle vous permet d'obtenir 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, de Georgia Tech et de SJTU, aux côtés de fondateurs en série qui ont étendu les plateformes grand public à plus de 30 millions d'utilisateurs. Ses recherches sont conseillées par Jiachen Li, professeur adjoint à Georgia Tech.
Lien papier : https://arxiv.org/abs/2607.21588
Page du projet : https://axisaiorg.github.io/AXIS-V1/
Lien vers l'ensemble de données : https://huggingface.co/datasets/axisrobotics/Franka-Dataset
Base de code Github : https://github.com/AxisAIOrg/Axis-V1-Training
Voir l’article original en anglais
