Axis Robotics open-sourced einen der größten Franka-Arm-Simulationsdatensätze für Physical AI

Axis Robotics hat Axis Sim Dataset V1 veröffentlicht, eines der größten Open-Source-Simulationsdatensätze für die Manipulation des Franka-Arms, mit dem vollständigen Datensatz, Trainingscode und Benchmarks, die öffentlich verfügbar sind. V1 basiert auf mehr als 50.000 menschlich ferngesteuerten Simulationstrajektorien über 207 Manipulationsaufgaben und 60.000+ Szenariovarianten an einem simulierten Franka Research 3 Arm.

Dieser Datensatz zog über 160.000 Downloads an und ist damit der am meisten heruntergeladene Open-Source-Simulations-Franka-Manipulationsdatensatz auf Hugging Face. In Benchmarks verbesserte das kontinuierliche Pretraining auf V1 π0.5 und schlug eine volumenmäßig abgestimmte RoboCasa-Baseline, wobei jedes Ergebnis offen und überprüfbar ist.

Axis Robotics baut die ultimative, sich selbst verstärkende Daten-Engine für Physical AI, ein vertikal integriertes System, das groß angelegte Simulation, egocentrische Erfassung in der realen Welt, humanoide Loko-Manipulation und human-gatedes DAgger-Post-Training umfasst. Das Unternehmen sammelte 12 Millionen US-Dollar an Seed-Finanzierung an, angeführt von Hack VC, mit Beteiligung von Nomad Capital, Pi Network Ventures, 10K Ventures und Angel-Investoren.

Eine Wette gegen „Nur saubere Daten“

Eine häufige Annahme in der Robotik ist, dass Demonstrationen von Anfang an nahezu optimal sein müssen – filtern Sie auf Expertentrajektorien, standardisieren Sie das Setup und verwerfen Sie alles Rauschhafte, bevor es sicher ist, es zu imitieren. Die These von Axis läuft in die andere Richtung: Die Datenqualität lebt auf der Verteilungsebene, nicht in der einzelnen Trajektorie. Wenn eine große und vielfältige genug Crowd rauschhafte, suboptimale Trajektorien produziert und ihre Fehler unkorreliert sind, mittelt sich das Rauschen heraus und eine funktionierende Richtlinie überlebt während des Trainings.

Axis Sim Dataset V1 stellt diese These einem öffentlichen Test aus. Seine Trajektorien umfassen Pick-and-Place, Stapeln, Gießen, Manipulation artikulierter Objekte und Werkzeuggebrauch, alle gesammelt durch Axis’ browserbasierte Fernsteuerungsplattform, Axis Hub, von einer verteilten Crowd statt einem einzelnen Expertenteam. Der Datensatz wurde mit Forschern der UC Berkeley, Johns Hopkins, der University of Michigan und anderen Institutionen aufgebaut.

Ergebnisse, die skalieren

Auf LIBERO-Plus hebt das kontinuierliche Pretraining auf V1 π0.5 vom 83,9 % auf 88,8 % Erfolg und übertrifft eine volumenmäßig abgestimmte RoboCasa365-Baseline um 37,3 %. Die Leistung verbessert sich konsistent, wenn die Pretraining-Daten von 25 % auf 100 % des Datensatzes skalieren, ohne dass eine Sättigung in Sicht ist, ein Hinweis darauf, dass die Gewinne aus Vielfalt und Abdeckung stammen und nicht von einem einmaligen Schub. Die größten Verbesserungen treten unter Kamera-, Sensorrausch- und Layout-Störungen auf, genau die Achsen, die Axis während der Generierung randomisiert.

Das Team sagt, dass V2 bereits im Gange ist, skalierend auf 1,2 Millionen Trajektorien über 1.200 Aufgaben, mit Cross-Embodiment-Generalisierung und Ergebnissen über mehrere VLA-Modelle hinweg, die zeigen, dass suboptimale Simulationsdaten robuste Richtlinien trainieren.

Die Engine hinter dem Datensatz

Der Datensatz ist eine Ausgabe einer größeren, aktiv sich selbst verstärkenden Daten-Engine. Wo ein traditioneller Datenanbieter nach einer festen Spezifikation sammelt und dann aufhört, nutzt Axis die Modellleistung und Fehlerfälle, um zu bestimmen, was als Nächstes gesammelt werden sollte, sodass jede Trainingsrunde die nächste informiert. Diese Engine läuft auf einer Hybridstrategie über vier Datenlinien, und alle vier laufen jetzt im großen Maßstab:

• Simulation: über 200.000 verteilte Mitwirkende auf Axis Hub, einer dApp unter den Top 3 auf Base, die mehr als 4,7 Mio. Trajektorien über 13 Ausführungen produzieren.
• Egocentrisch: ein verwaltetes Netzwerk von mehr als 1.000 Vollzeit-QC-geschulten Sammlern, die Aktivitäten aus der Ich-Perspektive in echten Häusern und Unternehmen in 14 Branchen aufnehmen: bereits 200.000+ Stunden gesammelt und täglich um über 4.000 Stunden wachsend, mit Vicon-verifizierter Handpose.
• Loko-Manipulation: über 500 Stunden, die Mobilität und Geschicklichkeit bei echten Humanoiden (Unitree G1, Booster T2) durch hardware-agnostische Fernsteuerung kombinieren.
• Human-gated DAgger Post-Training: über 500 Stunden menschlicher Korrektur in der Schleife, die auf Einsatz-Kantenfälle abzielen.

Jede Aufgabe und jede Trajektorie wird auf Base für die Herkunftsnachverfolgung (Provenance) aufgezeichnet, und Mitwirkende werden für verifizierte Arbeitsqualität belohnt.

Von offenen Daten zur kommerziellen Bereitstellung

Neben der Open-Source-Stellung von Simulationsdaten arbeitet Axis direkt mit Robotik-Ausführungsunternehmen zusammen, um maßgeschneiderte, ausführungsspezifische Datenpipelines und Modell-Priors aufzubauen.

Als erster Sim-Daten-Partner von Booster Robotics baute Axis den realen Arbeitsraum von Booster als aufgabenorientierter digitaler Zwilling neu auf, ließ verteilte Mitwirkende mehr als 42.000 Simulations-Episoden darauf sammeln und distillierte sie zu einem Booster-spezifischen Modell-Prior. Mit nur 30 echten Roboter-Demos erreichte dieser Prior 87,5 % Erfolg im Vergleich zu 37,5 % für ein out-of-the-box π0.5, was π0.5 mit der Hälfte der realweltlichen Demonstrationen matchte.

Andere Partner umfassen Ausführungsunternehmen (Feagine Robotics), Modellunternehmen (Manycore Tech, Dexmal) und Industrielle Automatisierung (Lotus Cars, Geely Auto). Axis liefert auch On-Chain-Robotik-Netzwerke: BitRobot auf Solana und OpenRoboto auf Bittensor.

Neudefinition der Datenbasis von Physical AI

„Die Zukunft von Physical AI ist kein statischer Datensatz, den man einmal herunterlädt“, sagte Chris Feng, Gründer von Axis Robotics. „Es ist eine Engine, die kontinuierlich die Daten produziert, die das Modell als Nächstes braucht. Skalierung bringt breite Abdeckung. Vielfalt hält das Rauschen unvoreingenommen. Die geschlossene Schleife verwandelt jeden Fehler in Fortschritt. Das ist es, was sich selbst verstärkt.“

Axis wurde von Forschern der UC Berkeley, CMU, Georgia Tech und SJTU gegründet, zusammen mit seriellen Gründern, die Verbraucherplattformen auf über 30 Millionen Nutzer hochgefahren haben. Seine Forschung wird von Jiachen Li, Assistenzprofessor an der Georgia Tech, beraten.

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

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

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

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