Axis Robotics випустила Axis Sim Dataset V1 — один із найбільших відкритих симуляційних датасетів для маніпуляцій роборукою Franka, з повністю відкритим доступом до датасету, коду навчання та бенчмарків. V1 побудований на основі понад 50 000 траєкторій симуляції, отриманих за допомогою телекерування людиною, що охоплюють 207 завдань маніпуляції та понад 60 000 варіантів сцен на симульованій руці Franka Research 3.

Цей датасет зібрав понад 160 000 завантажень, ставши найбільш завантажуваним відкритим симуляційним датасетом маніпуляцій Franka на Hugging Face. У бенчмарках безперервне попереднє навчання на V1 підняло показники π0.5 та перевершило базовий показник RoboCasa, зіставний за обсягом даних, при цьому всі результати відкриті та перевірювані.

Axis Robotics створює граничний самопідсилювальний двигун даних для фізичного ШІ — вертикально інтегровану систему, що охоплює великомасштабну симуляцію, егоцентричну зйомку в реальному світі, локомоцію та маніпуляцію гуманоїдів, а також постнавчання DAgger із контролем людини. Компанія залучила $12 млн початкового фінансування під керівництвом Hack VC за участю Nomad Capital, Pi Network Ventures, 10K Ventures та бізнес-ангелів.

Ставка проти «лише чистих даних»

Поширене припущення в робототехніці полягає в тому, що демонстрації спочатку мають бути майже оптимальними — відфільтровувати до експертних траєкторій, стандартизувати налаштування та відкидати все зашумлене, перш ніж імітувати це стане безпечно. Теза Axis стверджує протилежне: якість даних існує на рівні розподілу, а не окремої траєкторії. Коли достатньо велика та різноманітна група учасників виробляє зашумлені, неоптимальні траєкторії, а їхні помилки некорельовані, шум усереднюється, і в процесі навчання виживає працездатна політика.

Axis Sim Dataset V1 піддає цю тезу публічній перевірці. Його траєкторії охоплюють захоплення й переміщення предметів, штабелювання, наливання рідин, маніпуляції з шарнірними об’єктами та використання інструментів — усе це зібрано через браузерну платформу телекерування Axis Hub розподіленою масою учасників, а не однією командою експертів. Датасет створювався спільно з дослідниками з Каліфорнійського університету в Берклі, Університету Джонса Гопкінса, Мічиганського університету та інших установ.

Результати, які масштабуються

На LIBERO-Plus безперервне попереднє навчання на V1 підвищує успішність π0.5 з 83,9% до 88,8% і перевершує зіставний за обсягом базовий показник RoboCasa365 на 37,3%. Продуктивність стабільно зростає в міру збільшення обсягу даних попереднього навчання з 25% до 100% датасету, без ознак насичення — це свідчить про те, що приріст забезпечується різноманітністю та охопленням, а не разовим стрибком. Найбільші покращення проявляються за збурень камери, шуму датчиків і компонування сцени — саме тих параметрів, які Axis рандомізує під час генерації даних.

Команда повідомляє, що вже триває робота над V2 з масштабуванням до 1,2 млн траєкторій за 1200 завданнями, з узагальненням між різними типами роботів і результатами за кількома моделями VLA, що показують, що неоптимальні симуляційні дані навчають стійких політик.

Двигун, що стоїть за датасетом

Датасет — це лише один із результатів роботи більшого, активно самопідсилювального двигуна даних. Там, де традиційний постачальник даних збирає їх за фіксованим технічним завданням і зупиняється, Axis використовує показники роботи моделей і випадки збоїв, щоб визначити, що потрібно збирати далі, тому кожен раунд навчання інформує наступний. Цей двигун працює за гібридною стратегією за чотирма напрямами збору даних, і всі чотири тепер функціонують у промисловому масштабі:

• Симуляція: понад 200 000 розподілених учасників на Axis Hub — децентралізованому застосунку, що входить у трійку лідерів на Base, — виробляють понад 4,7 млн траєкторій для 13 типів роботів.
• Егоцентрична зйомка: керована мережа з понад 1000 штатних, таких, що пройшли контроль якості, збирачів даних, які фіксують дії від першої особи в реальних домівках і на підприємствах у 14 галузях: уже накопичено понад 200 000 годин, і обсяг зростає більш ніж на 4000 годин щодня, з положенням рук, верифікованим системою Vicon.
• Локомоція та маніпуляція: понад 500 годин, що поєднують рухливість і спритність на реальних гуманоїдних роботах (Unitree G1, Booster T2) через апаратно-незалежне телекерування.
• Постнавчання DAgger із контролем людини: понад 500 годин корекції за участю людини в циклі, спрямованої на граничні випадки під час розгортання.

Кожне завдання та траєкторія фіксуються в блокчейні Base для підтвердження походження даних, а учасники отримують винагороду за підтверджену якість роботи.

Від відкритих даних до комерційного впровадження

Окрім відкриття коду симуляційних даних, Axis безпосередньо співпрацює з компаніями-виробниками роботів, створюючи індивідуальні конвеєри даних і моделі-приори для конкретних типів роботів.

Як перший партнер Booster Robotics із симуляційних даних, Axis відтворила реальний робочий простір Booster у вигляді узгодженого із завданнями цифрового двійника, залучила розподілених учасників для збору понад 42 000 симуляційних епізодів на ньому та дистилювала їх у модельний приор, специфічний для Booster. Лише з 30 демонстраціями на реальному роботі цей приор досяг 87,5% успішності проти 37,5% у готової моделі π0.5, зрівнявшись із π0.5 при використанні вдвічі меншої кількості демонстрацій у реальному світі.

Серед інших партнерів — компанії-виробники роботів (Feagine Robotics), компанії-розробники моделей (Manycore Tech, Dexmal) і підприємства промислової автоматизації (Lotus Cars, Geely Auto). Axis також обслуговує мережі робототехніки на блокчейні: BitRobot на Solana та OpenRoboto на Bittensor.

Переосмислюючи основу даних фізичного ШІ

«Майбутнє фізичного ШІ — це не статичний датасет, який ви завантажуєте один раз, — сказав Кріс Фенг (Chris Feng), засновник Axis Robotics. — Це двигун, який продовжує виробляти дані, потрібні моделі далі. Масштаб дає широке охоплення. Різноманітність зберігає незміщеність шуму. Замкнутий цикл перетворює кожен збій на прогрес. Саме це накопичується».

Axis була заснована дослідниками з Каліфорнійського університету в Берклі, CMU, Технологічного інституту Джорджії та SJTU разом із серійними засновниками, які довели споживчі платформи до понад 30 млн користувачів. Науковим консультантом виступає Цзячень Лі (Jiachen Li), доцент Технологічного інституту Джорджії.

Посилання на статтю:

Сторінка проєкту:

Посилання на датасет:

Кодова база на Github:

Source: BeInCrypto