Axis Robotics 開放源碼一個最大的 Franka 手臂模擬數據集以促進物理 AI

Axis Robotics 發布了 Axis Sim Dataset V1，這是最大的開源 Franka 手臂操作模擬數據集之一，完整數據集、訓練代碼和基準測試均可公開獲取。V1 由超過 50,000 條人類遠程操作的模擬軌跡組成，涵蓋 207 個操作任務和 60,000 多個場景變體，基於模擬的 Franka Research 3 手臂。

該數據集的下載量超過 160,000 次，使其成為 Hugging Face 上下載量最多的開源模擬 Franka 操作數據集。在基準測試中，對 V1 的持續預訓練使 π0.5 提升，並超越了一個體積匹配的 RoboCasa 基準，所有結果均可公開驗證。

Axis Robotics 正在為物理 AI 構建終極的複合數據引擎，這是一個垂直整合的系統，涵蓋大規模模擬、自我中心的現實世界捕捉、人形運動操作和人類引導的 DAgger 後訓練。該公司獲得了由 Hack VC 領投的 1200 萬美元種子資金，參與者包括 Nomad Capital、Pi Network Ventures、10K Ventures 和天使投資者。

在機器人技術中，一個常見的假設是演示必須是近乎最佳的——過濾到專家軌跡，標準化設置，並在安全模仿之前丟棄任何噪音。Axis 的論點則相反：數據質量存在於分佈層面，而不是單一軌跡。當一個足夠大且多樣化的人群產生噪音、次優的軌跡，且其錯誤不相關時，噪音會平均化，並在訓練期間存活下來的工作策略。

Axis Sim Dataset V1 將這一論點進行了公開測試。其軌跡涵蓋了拾取和放置、堆疊、倒水、關節物體操作和工具使用，所有數據都是通過 Axis 的基於瀏覽器的遠程操作平台 Axis Hub，由分散的人群而非單一專家團隊收集的。該數據集是與 UC Berkeley、約翰霍普金斯大學、密歇根大學及其他機構的研究人員共同構建的。

在 LIBERO-Plus 上，對 V1 的持續預訓練使 π0.5 的成功率從 83.9% 提升至 88.8%，並超越了一個體積匹配的 RoboCasa365 基準 37.3%。隨著預訓練數據從 25% 擴展到 100%，性能穩定提高，沒有飽和的跡象，這證明增益來自多樣性和覆蓋率，而不是一次性的提升。最大的改進出現在相機、傳感器噪音和佈局擾動下，這正是 Axis 在生成過程中隨機化的精確軸。

團隊表示 V2 已經在進行中，將擴展到 1.2 百萬條軌跡，涵蓋 1,200 個任務，並在多個 VLA 模型中顯示出跨體現的泛化和結果，表明次優的模擬數據能夠訓練出穩健的策略。

該數據集是更大、持續增長的數據引擎的一個產出。傳統數據供應商收集固定規格的數據並停止，而 Axis 則利用模型性能和失敗案例來確定下一步應收集的內容，因此每一輪訓練都為下一輪提供信息。該引擎在四條數據線上運行混合策略，現在所有四條都在大規模運行：

• 模擬：在 Axis Hub 上有超過 200,000 名分散貢獻者，這是 Base 上的前三大 dApp，產生了 4.7M+ 條軌跡，涵蓋 13 種體現。
• 自我中心：一個管理的網絡，由 1,000 多名全職、經 QC 訓練的收集者，在 14 個行業的真實家庭和企業中捕捉第一人稱活動：已經累積了 200,000+ 小時，並每天增長 4,000+ 小時，並有 Vicon 驗證的手部姿勢。
• 運動操作：在真實人形（Unitree G1、Booster T2）上結合移動性和靈巧性的 500+ 小時，通過硬件無關的遠程操作進行。
• 人類引導的 DAgger 後訓練：針對部署邊緣案例的 500+ 小時人類在環路的修正。

每個任務和軌跡都在 Base 上鏈上記錄以確保來源，貢獻者因驗證的工作質量而獲得獎勵。

除了開放源碼模擬數據外，Axis 還直接與 機器人體現公司 合作，建立定制的、特定於體現的數據管道和模型先驗。

作為 Booster Robotics 的首個模擬數據合作夥伴，Axis 將 Booster 的真實工作空間重建為任務對齊的數字雙胞胎，讓分散的貢獻者在其上收集了 42,000+ 條模擬集，並將其提煉為 Booster 特定的模型先驗。僅用 30 次真實機器人演示，該先驗達到了 87.5% 的成功率，而標準的 π0.5 僅為 37.5%，使用一半的真實世界演示達到了 π0.5。

其他合作夥伴包括 體現公司（Feagine Robotics）、模型公司（Manycore Tech、Dexmal）和 工業自動化（Lotus Cars、Geely Auto）。Axis 還提供 鏈上機器人網絡：BitRobot 在 Solana 上和 OpenRoboto 在 Bittensor 上。

「物理 AI 的未來不是你一次性下載的靜態數據集，」Axis Robotics 創始人 Chris Feng 說。「而是一個不斷生成模型所需數據的引擎。規模讓你獲得廣泛的覆蓋。多樣性保持噪音不偏見。閉環將每一次失敗轉化為進步。這就是複合的意義。」

Axis 由來自 UC Berkeley、CMU、喬治亞理工學院和 SJTU 的研究人員以及將消費者平台擴展到超過 3000 萬用戶的連續創始人創立。其研究由喬治亞理工學院的助理教授 Jiachen Li 指導。

本內容僅供參考，不構成任何金融、投資、法律或稅務建議。文中提及的任何活動、獎勵、線上活動或相關資訊，不應被視為對購買、出售或交易任何加密資產的推薦、招攬或邀請。加密資產具有高波動性，存在價值損失風險。WEEX服務、產品及相關活動的可用性可能因地區而異。用戶在參與前有責任確保符合當地適用法律法規。