Axis Robotics تفتح مجموعة بيانات محاكاة ذراع Frankا من أكبر مجموعات البيانات للذكاء الاصطناعي المادي

أصدرت Axis Robotics Axis Sim Dataset V1، واحدة من أكبر مجموعات بيانات المحاكاة مفتوحة المصدر لتلاعب ذراع Franka، مع توفر مجموعة البيانات الكاملة، وكود التدريب، والمعايير بشكل علني. تم بناء V1 من أكثر من 50,000 مسار محاكاة تم التحكم فيها بشرياً عبر 207 مهمة تلاعب و60,000+ متغير مشهد على ذراع Franka Research 3 محاكى.

جذبت هذه المجموعة البيانات أكثر من 160,000 تحميل، مما يجعلها أكثر مجموعات بيانات محاكاة Franka مفتوحة المصدر للتلاعب تحميلًا على Hugging Face. في المعايير، رفع التدريب المسبق المستمر على V1 π0.5 وتغلب على أساس RoboCasa المطابق للحجم، مع كل نتيجة مفتوحة وقابلة للتحقق.

تبني Axis Robotics محرك بيانات مركب نهائي للذكاء الاصطناعي المادي، وهو نظام متكامل عمودياً يمتد عبر المحاكاة واسعة النطاق، التقاط العالم الحقيقي من منظور الشخص الأول، التلاعب بالحركة للروبوتات البشرية، وما بعد التدريب DAgger المقيد بالبشر. جمعت الشركة 12 مليون دولار في تمويل أولي بقيادة Hack VC، بمشاركة Nomad Capital، Pi Network Ventures، 10K Ventures، ومستثمرين ملائكيين.

رهان ضد "البيانات النظيفة فقط"

افتراض شائع في الروبوتات هو أن العروض يجب أن تكون قريبة من المثلى منذ البداية - تصفية المسارات الخبيرة، توحيد الإعداد، والتخلص من أي شيء ضوضائي قبل أن يكون آمنًا للتقليد. تسير أطروحة Axis في الاتجاه المعاكس: جودة البيانات تعيش على مستوى التوزيع، وليس المسار الفردي. عندما ينتج حشد كبير ومتنوع بما فيه الكفاية مسارات ضوضائية دون مثالية وأخطاؤها غير مترابطة، فإن الضوضاء تتوسط وتبقى سياسة عاملة أثناء التدريب.

تضع Axis Sim Dataset V1 هذه الأطروحة لاختبار عام. تمتد مساراتها بين التقاط والوضع، والتكديس، والسكب، والتلاعب بالأشياء المفصلة، واستخدام الأدوات، جميعها تم جمعها من خلال منصة التحكم عن بعد عبر المتصفح الخاصة بـ Axis، Axis Hub، من قبل حشد موزع بدلاً من فريق خبير واحد. تم بناء مجموعة البيانات مع باحثين من جامعة كاليفورنيا في بيركلي، جامعة جونز هوبكنز، جامعة ميشيغان، ومؤسسات أخرى.

نتائج قابلة للتوسع

على LIBERO-Plus، يرفع التدريب المسبق المستمر على V1 π0.5 من 83.9% إلى 88.8% نجاح ويتفوق على أساس RoboCasa365 المطابق للحجم بنسبة 37.3%. تتحسن الأداء بشكل متسق مع توسع بيانات التدريب المسبق من 25% إلى 100% من مجموعة البيانات، دون تشبع في الأفق، وهو دليل على أن المكاسب تأتي من التنوع والتغطية بدلاً من دفعة واحدة. تظهر أكبر التحسينات تحت اضطرابات الكاميرا، وضوضاء المستشعر، والتخطيط، المحاور التي تقوم Axis بتغييرها عشوائياً أثناء التوليد.

تقول الفريق إن الإصدار الثاني (V2) قيد التنفيذ بالفعل، حيث يتم توسيع النطاق ليشمل 1.2 مليون مسار عبر 1,200 مهمة، مع تعميم عبر تجسيدات مختلفة وإظهار النتائج عبر نماذج VLA متعددة أن البيانات المحاكية دون المثالية تدرب سياسات قوية.

المحرك وراء مجموعة البيانات

تُعد مجموعة البيانات ناتجاً واحداً لمحرك بيانات أكبر يتراكم بنشاط. فبينما يتوقف مورد البيانات التقليدي عند جمع البيانات وفقاً لمواصفات ثابتة، تستخدم Axis أداء النموذج وحالات الفشل لتحديد ما يجب جمعه بعد ذلك، بحيث informs كل جولة تدريبية الجولة التالية. يعمل هذا المحرك على استراتيجية هجينة عبر أربعة خطوط بيانات، وجميعها تعمل الآن على نطاق واسع:

• المحاكاة: أكثر من 200,000 مساهم موزع على Axis Hub، وهو dApp من أفضل 3 على Base، ينتج أكثر من 4.7 مليون مسار عبر 13 تجسيداً.
• منظور الشخص الأول: شبكة مُدارة من أكثر من 1,000 جامع كامل الوقت مدرب على ضمان الجودة، يلتقطون أنشطة من منظور الشخص الأول في منازل وأعمال حقيقية عبر 14 صناعة: أكثر من 200,000 ساعة تم بنكاها بالفعل وتنمو بمعدل 4,000+ ساعة كل يوم، مع وضعية يد موثقة بواسطة Vicon.
• التلاعب بالحركة: أكثر من 500 ساعة تجمع بين التنقل والبراعة على الروبوتات البشرية الحقيقية (Unitree G1، Booster T2) من خلال التحكم عن بعد غير المعتمد على الأجهزة.
• ما بعد التدريب DAgger المقيد بالبشر: أكثر من 500 ساعة من تصحيح الإنسان في الحلقة مستهدفة لحالات الحافة في النشر.

يتم تسجيل كل مهمة ومسار على السلسلة (on-chain) على شبكة Base لإثبات الأصل، ويتم مكافأة المساهمين مقابل جودة العمل الموثقة.

من البيانات المفتوحة إلى النشر التجاري

بالإضافة إلى فتح بيانات المحاكاة، تعمل Axis مباشرة مع شركات تجسيد الروبوت لبناء خطوط بيانات مخصصة محددة للتجسيد وأولويات النماذج.

بصفتها شريك البيانات المحاكية الأول لشركة Booster Robotics، أعادت Axis بناء مساحة العمل الحقيقية لشركة Booster كنسخة رقمية متوافقة مع المهام، وجعلت المساهمين الموزعين يجمعون أكثر من 42,000 حلقة محاكاة عليها، ثم استخلصت منها نموذجاً أولياً مخصصاً لشركة Booster. وبفضل 30 عرضاً توضيحياً فقط للروبوت الحقيقي، وصل هذا النموذج الأولي إلى نسبة نجاح تبلغ 87.5% مقارنة بـ 37.5% لنموذج π0.5 الجاهز، متساوياً مع π0.5 باستخدام نصف عدد العروض التوضيحية الواقعية.

تشمل الشركاء الآخرين شركات التجسيد (Feagine Robotics)، شركات النماذج (Manycore Tech، Dexmal) والأتمتة الصناعية (Lotus Cars، Geely Auto). توفر Axis أيضاً شبكات الروبوتات على السلسلة: BitRobot على Solana وOpenRoboto على Bittensor.

إعادة تعريف الأساس البياناتي للذكاء الاصطناعي المادي

"مستقبل الذكاء الاصطناعي المادي ليس مجموعة بيانات ثابتة تقوم بتنزيلها مرة واحدة"، قال كريس فنغ، مؤسس Axis Robotics. "إنه محرك يستمر في إنتاج البيانات التي يحتاجها النموذج بعد ذلك. يمنحك الحجم تغطية واسعة. يحافظ التنوع على تحيز الضوضاء. يحول الحلقة المغلقة كل فشل إلى تقدم. هذا ما يخلق التراكم.".

تأسست Axis على يد باحثين من جامعة كاليفورنيا في بيركلي، وجامعة كارنيجي ميلون، ومعهد جورجيا للتكنولوجيا، وجامعة شنغهاي جياو تونغ، إلى جانب مؤسسين متعددي التجارب قاموا بتوسيع منصات استهلاكية لتصل إلى أكثر من 30 مليون مستخدم. يُشرف على أبحاثها جياوتشن لي، الأستاذ المساعد في معهد جورجيا للتكنولوجيا.

ورقة البحث: https://arxiv.org/abs/2607.21588

صفحة المشروع: https://axisaiorg.github.io/AXIS-V1/

رابط مجموعة البيانات: https://huggingface.co/datasets/axisrobotics/Franka-Dataset

مستودع كود Github: https://github.com/AxisAIOrg/Axis-V1-Training