Axis Robotics rend public l'un des plus grands ensembles de données de simulation du bras Franka pour l'IA physique

Axis Robotics a publié Axis Sim Dataset V1, l'un des plus importants ensembles de données de simulation open source pour la manipulation du bras Franka. L'ensemble des données, le code d'entraînement et les benchmarks sont accessibles au public. La version V1 est basée sur plus de 50 000 trajectoires de simulation téléopérées par un humain, couvrant 207 tâches de manipulation et plus de 60 000 variantes de scènes sur un bras Franka Research 3 simulé.

Ce jeu de données a été téléchargé plus de 160 000 fois, ce qui en fait le jeu de données de manipulation Franka open source le plus téléchargé sur Hugging Face. Lors des tests de performance, le pré-entraînement continu sur V1 a permis d'améliorer les résultats de π0,5 et de surpasser une performance de référence RoboCasa à volume équivalent. Tous les résultats sont publics et vérifiables.

Axis Robotics développe le moteur de données cumulatif ultime pour l'IA physique, un système verticalement intégré couvrant la simulation à grande échelle, la capture égocentrique du monde réel, la manipulation locomotrice humanoïde et le DAgger post-entraînement contrôlé par l'humain. La société a levé 12 millions de dollars en amorçage auprès de Hack VC, avec la participation de Nomad Capital, Pi Network Ventures, 10K Ventures et d'investisseurs providentiels.

Un pari contre le « uniquement des données propres »

En robotique, on part souvent du principe que les démonstrations doivent être quasi optimales dès le départ : il faut sélectionner les trajectoires d'experts, standardiser la configuration et éliminer tout élément parasite avant de pouvoir les imiter en toute sécurité. La thèse d'Axis est inverse : la qualité des données réside dans la distribution des données, et non dans la trajectoire individuelle. Lorsqu'un groupe suffisamment important et diversifié produit des trajectoires bruitées et sous-optimales, et que leurs erreurs sont non corrélées, le bruit s'atténue et une stratégie fonctionnelle se maintient pendant l'entraînement.

Le jeu de données Axis Sim V1 met cette hypothèse à l'épreuve publiquement. Ses trajectoires couvrent les opérations de prélèvement et de placement, d'empilage, de versement, de manipulation d'objets articulés et d'utilisation d'outils, toutes collectées via la plateforme de téléopération en ligne d'Axis, Axis Hub, par une communauté distribuée plutôt que par une seule équipe d'experts. Ce jeu de données a été constitué en collaboration avec des chercheurs de l'UC Berkeley, de Johns Hopkins, de l'Université du Michigan et d'autres institutions.

Des résultats à grande échelle

Sur LIBERO-Plus, le pré-entraînement continu sur V1 améliore le taux de réussite de π0,5 de 83,9 % à 88,8 % et surpasse de 37,3 % la performance de référence de RoboCasa365 (volume équivalent). Les performances s'améliorent de façon constante lorsque la part des données de pré-entraînement passe de 25 % à 100 % du jeu de données, sans saturation apparente. Ceci indique que les gains proviennent de la diversité et de la couverture, et non d'une amélioration ponctuelle. Les améliorations les plus importantes sont observées en cas de perturbations liées à la caméra, au bruit du capteur et à la disposition des données ; l'axe exact Axis est randomisé lors de la génération.

L'équipe indique que la V2 est déjà en cours, avec une mise à l'échelle à 1,2 million de trajectoires sur 1 200 tâches, avec une généralisation inter-incarnation et des résultats sur plusieurs modèles VLA montrant que des données de simulation sous-optimales permettent de former des politiques robustes.

Le moteur derrière l'ensemble de données

L'ensemble de données est un résultat d'un moteur de données plus vaste, en constante expansion. Alors qu'un fournisseur de données traditionnel collecte des données selon des spécifications fixes et s'arrête là, Axis utilise les performances du modèle et les cas d'échec pour déterminer les données à collecter ensuite. Ainsi, chaque cycle d'entraînement alimente le suivant. Ce moteur fonctionne selon une stratégie hybride sur quatre lignes de données, toutes désormais opérationnelles à grande échelle

• Simulation: plus de 200 000 contributeurs répartis sur Axis Hub, une des 3 meilleures dApps sur Base, produisant plus de 4,7 millions de trajectoires à travers 13 incarnations.
• Egocentric: un réseau géré de plus de 1 000 collecteurs à temps plein, formés au contrôle qualité, capturant l'activité de première personne dans de véritables maisons et entreprises dans 14 secteurs d'activité : plus de 200 000 heures déjà accumulées et augmentant de plus de 4 000 heures chaque jour, avec une pose de main vérifiée par Vicon.
• Loco-manipulation: Plus de 500 heures combinant mobilité et dextérité sur de vrais humanoïdes (Unitree G1, Booster T2) grâce à une téléopération indépendante du matériel.
• DAgger à intervention humaine après la formation : plus de 500 heures de correction par intervention humaine ciblée sur les cas limites de déploiement.

Chaque tâche et chaque trajectoire sont enregistrées sur la blockchain Base pour en assurer la traçabilité, et les contributeurs sont récompensés pour la qualité de leur travail vérifiée.

De l'ouverture des données au déploiement commercial

Au-delà de la mise à disposition en open source des données de simulation, Axis travaille directement avec des entreprises spécialisées dans l'intégration de robots pour construire des pipelines de données et des modèles a priori personnalisés et spécifiques à l'intégration.

En tant que premier partenaire de Booster Robotics pour les données de simulation, Axis a recréé l'espace de travail réel de Booster sous forme de jumeau numérique aligné sur les tâches, a mobilisé des contributeurs répartis sur ce jumeau pour collecter plus de 42 000 épisodes de simulation et les a synthétisés en un modèle a priori spécifique à Booster. Avec seulement 30 démonstrations réelles, ce modèle a atteint un taux de réussite de 87,5 %, contre 37,5 % pour un modèle π0.5 standard, égalant ainsi les performances de π0.5 avec deux fois moins de démonstrations réelles.

Parmi ses autres partenaires figurent des entreprises spécialisées dans l'intégration de composants (Feagine Robotics), la modélisation (Manycore Tech, Dexmal) et l'automatisation industrielle (Lotus Cars, Geely Auto). Axis fournit également des réseaux robotiques on-chain : BitRobot sur Solana et OpenRoboto sur Bittensor.

defiles fondements de données de l'IA physique

« L’avenir de l’IA physique ne réside pas dans un ensemble de données statiques téléchargé une seule fois », explique Chris Feng, fondateur d’Axis Robotics. « Il s’agit d’un moteur qui produit en continu les données dont le modèle a besoin. L’échelle permet une couverture étendue. La diversité garantit l’objectivité des résultats. La boucle de rétroaction transforme chaque échec en progrès. C’est ce qui crée l’effet cumulatif. »

Axis a été fondée par des chercheurs de l'UC Berkeley, de la CMU, de Georgia Tech et de la SJTU, en collaboration avec des entrepreneurs chevronnés ayant développé des plateformes grand public comptant plus de 30 millions d'utilisateurs. Ses recherches sont supervisées par Jiachen Li, professeur adjoint à Georgia Tech.

Lien vers l'article : https://arxiv.org/abs/2607.21588

Page du projet : https://axisaiorg.github.io/AXIS-V1/

Lien vers le jeu de données : https://huggingface.co/datasets/axisrobotics/Franka-Dataset

Code source sur GitHub : https://github.com/AxisAIOrg/Axis-V1-Training