Axis Robotics veröffentlicht einen der größten Franka-Arm-Simulationsdatensätze für physikalische KI als Open Source

Axis Robotics hat Axis Sim Dataset V1, einen der größten Open-Source-Simulationsdatensätze für die Manipulation mit dem Franka-Roboterarm. Der vollständige Datensatz, der Trainingscode und Benchmarks sind öffentlich verfügbar. V1 basiert auf über 50.000 teleoperierten Simulationstrajektorien von Menschen in 207 Manipulationsaufgaben und mehr als 60.000 Szenenvarianten an einem simulierten Franka Research 3-Roboterarm.

Dieser Datensatz wurde über 160.000 Mal heruntergeladen und ist damit der meist heruntergeladene Open-Source-Datensatz für Franka-Manipulationssimulationen auf Hugging Face. In Benchmarks führte das kontinuierliche Vortraining mit V1 zu einer Verbesserung um π0,5 und übertraf eine volumenangepasste RoboCasa-Baseline. Alle Ergebnisse sind öffentlich zugänglich und nachvollziehbar.

Axis Robotics entwickelt die ultimative Datenplattform für physikalische KI – ein vertikal integriertes System, das groß angelegte Simulationen, egozentrische Erfassung realer Umgebungen, humanoide Lokomotion und die vom Menschen gesteuerte DAgger-Nachschulung umfasst. Das Unternehmen erhielt in einer von Hack VC angeführten Seed-Finanzierungsrunde 12 Millionen US-Dollar, mit Beteiligung von Nomad Capital, Pi Network Ventures, 10K Ventures und Business Angels.

Eine Wette gegen „Nur saubere Daten“

Eine gängige Annahme in der Robotik ist, dass Demonstrationen von vornherein nahezu optimal sein müssen – man filtert die Trajektorien von Experten heraus, standardisiert den Aufbau und verwirft alle fehlerhaften Daten, bevor man sie sicher imitieren kann. Axis verfolgt den gegenteiligen Ansatz: Die Datenqualität liegt auf der Ebene der Verteilung, nicht der einzelnen Trajektorie. Wenn eine ausreichend große und heterogene Gruppe fehlerhafte, suboptimale Trajektorien erzeugt und deren Fehler unkorreliert sind, mittelt sich das Rauschen aus, und eine funktionierende Strategie bleibt während des Trainings erhalten.

Der Axis Sim Dataset V1 stellt diese These auf den Prüfstand. Die darin enthaltenen Bewegungsabläufe umfassen Pick-and-Place, Stapeln, Gießen, die Manipulation von beweglichen Objekten und den Werkzeuggebrauch. Die Daten wurden über die browserbasierte Teleoperationsplattform Axis Hub von Axis von einer verteilten Nutzergruppe und nicht von einem einzelnen Expertenteam erfasst. Der Datensatz entstand in Zusammenarbeit mit Forschern der UC Berkeley, Johns Hopkins, der University of Michigan und weiterer Institutionen.

Ergebnisse, die skalieren

Auf LIBERO-Plus steigert kontinuierliches Vortraining mit V1 die Erfolgsquote um π0,5 von 83,9 % auf 88,8 % und übertrifft eine volumenangepasste RoboCasa365-Baseline um 37,3 %. Die Leistung verbessert sich kontinuierlich mit zunehmender Anzahl der Vortrainingsdaten (25 % bis 100 % des Datensatzes), ohne dass eine Sättigung erkennbar ist. Dies belegt, dass die Leistungssteigerungen auf Diversität und Abdeckung und nicht auf einen einmaligen Anstieg zurückzuführen sind. Die größten Verbesserungen zeigen sich bei Störungen durch Kamera-, Sensor- und Layoutfehler – genau jenen Achsen, die Axis während der Generierung randomisiert.

Das Team gibt an, dass die Entwicklung von Version 2 bereits im Gange ist und auf 1,2 Millionen Trajektorien über 1.200 Aufgaben skaliert wird. Die Generalisierung über verschiedene Körpertypen hinweg und die Ergebnisse über mehrere VLA-Modelle hinweg zeigen, dass auch suboptimale Simulationsdaten robuste Strategien trainieren.

Der Motor hinter dem Datensatz

Der Datensatz ist ein Ergebnis einer größeren, sich ständig erweiternden Datenplattform. Während herkömmliche Datenanbieter Daten nach einem festen Standard erfassen und dann aufhören, nutzt Axis die Modellleistung und Fehlerfälle, um zu bestimmen, welche Daten als Nächstes erfasst werden sollen. So fließt jede Trainingsrunde in die nächste ein. Diese Plattform arbeitet mit einer hybriden Strategie über vier Datenquellen hinweg, die alle mittlerweile im großen Maßstab betrieben werden

• Simulation: Über 200.000 verteilte Mitwirkende auf Axis Hub, einer der drei führenden dApps auf Base, erzeugen mehr als 4,7 Millionen Trajektorien in 13 Ausführungsformen.
• Egocentric: Ein Netzwerk von über 1.000 Vollzeit-Mitarbeitern, die von der Qualitätskontrolle geschult wurden und Aktivitäten aus erster Hand in realen Haushalten und Unternehmen in 14 Branchen erfassen: Über 200.000 Stunden wurden bereits gesammelt und wachsen täglich um über 4.000 Stunden, mit Vicon-verifizierter Handhaltung.
• Lokomotionsmanipulation: Mehr als 500 Stunden Erfahrung in der Kombination von Mobilität und Geschicklichkeit an realen Humanoiden (Unitree G1, Booster T2) durch hardwareunabhängige Teleoperation.
• Human-gated DAgger nach dem Training: Mehr als 500 Stunden menschlicher Korrekturen, die auf Grenzfälle im Einsatz abzielen.

Jede Aufgabe und jeder Arbeitsschritt wird zur Nachverfolgung auf Base in der Blockchain aufgezeichnet, und die Mitwirkenden werden für die verifizierte Qualität ihrer Arbeit belohnt.

Von offenen Daten zur kommerziellen Nutzung

Neben der Bereitstellung von Simulationsdaten als Open Source arbeitet Axis direkt mit Unternehmen zusammen, die Robotergehäuse entwickeln, um maßgeschneiderte, gehäusespezifische Datenpipelines und Modellvoransätze zu erstellen.

Als erster Simulationsdatenpartner von Booster Robotics bildete Axis Boosters realen Arbeitsbereich als aufgabenorientierten digitalen Zwilling nach, ließ verteilte Mitwirkende über 42.000 Simulationsepisoden darauf sammeln und verdichtete diese zu einem Booster-spezifischen Modell. Mit nur 30 realen Roboterdemonstrationen erreichte dieses Modell eine Erfolgsquote von 87,5 % gegenüber 37,5 % bei einem Standardmodell mit π0,5. Damit wurde π0,5 mit der Hälfte der realen Demonstrationen erreicht.

Zu den weiteren Partnern zählen Unternehmen aus den Bereichen Verkörperung (Feagine Robotics), Modellbau (Manycore Tech, Dexmal) und industrielle Automatisierung (Lotus Cars, Geely Auto). Axis bietet außerdem On-Chain-Robotiknetzwerke: BitRobot auf Solana und OpenRoboto auf Bittensor.

defider Datengrundlage für physikalische KI

„Die Zukunft der physikalischen KI liegt nicht in einem statischen Datensatz, den man einmal herunterlädt“, sagte Chris Feng, Gründer von Axis Robotics. „Sie ist ein System, das kontinuierlich die Daten generiert, die das Modell als Nächstes benötigt. Skalierung ermöglicht eine breite Abdeckung. Vielfalt sorgt für objektive Ergebnisse. Der geschlossene Regelkreis wandelt jeden Fehler in einen Fortschritt um. Genau das bewirkt den kontinuierlichen Fortschritt.“

Axis wurde von Forschern der UC Berkeley, CMU, Georgia Tech und SJTU sowie von erfahrenen Gründern gegründet, die bereits Verbraucherplattformen auf über 30 Millionen Nutzer skaliert haben. Die Forschung wird von Jiachen Li, Assistenzprofessor an der Georgia Tech, beratend begleitet.

Link zum Paper: https://arxiv.org/abs/2607.21588

Projektseite: https://axisaiorg.github.io/AXIS-V1/

Link zum Datensatz: https://huggingface.co/datasets/axisrobotics/Franka-Dataset

GitHub-Codebasis: https://github.com/AxisAIOrg/Axis-V1-Training