Axis Robotics disponibiliza como código aberto um dos maiores conjuntos de dados de simulação de braços Franka para IA Física

A Axis Robotics lançou Axis Sim Dataset V1, um dos maiores conjuntos de dados de simulação de código aberto para manipulação do braço Franka, com o conjunto de dados completo, código de treinamento e benchmarks publicamente disponíveis. O V1 é construído a partir de mais de 50.000 trajetórias de simulação teleoperadas por humanos em 207 tarefas de manipulação e mais de 60.000 variantes de cena em um braço Franka Research 3 simulado.

Este conjunto de dados atraiu mais de 160.000 downloads, tornando-se o conjunto de dados de simulação de manipulação Franka de código aberto mais baixado no Hugging Face. Nos benchmarks, o pré-treinamento contínuo no V1 elevou o π0.5 e superou uma baseline RoboCasa correspondente em volume, com todos os resultados abertos e verificáveis.

A Axis Robotics está construindo o motor de dados compostos definitivo para IA Física, um sistema verticalmente integrado que abrange simulação em larga escala, captura egocêntrica do mundo real, loco-manipulação de humanoides e pós-treinamento DAgger com controle humano. A empresa levantou US$ 12 milhões em financiamento semente liderado pela Hack VC, com participação da Nomad Capital, Pi Network Ventures, 10K Ventures e investidores anjo.

Uma Aposta Contra “Apenas Dados Limpos”

Uma suposição comum em robótica é que as demonstrações devem ser quase ótimas desde o início — filtrar para trajetórias de especialistas, padronizar a configuração e descartar qualquer coisa ruidosa antes que seja seguro imitar. A tese da Axis vai na direção oposta: a qualidade dos dados reside no nível da distribuição, não na trajetória única. Quando uma multidão grande e diversa produz trajetórias ruidosas e subótimas e seus erros são não correlacionados, o ruído se cancela e uma política funcional sobrevive durante o treinamento.

O Axis Sim Dataset V1 coloca essa tese a um teste público. Suas trajetórias abrangem pegar e colocar, empilhamento, despejo, manipulação de objetos articulados e uso de ferramentas, todas coletadas por meio da plataforma de teleoperação baseada em navegador da Axis, Axis Hub, por uma multidão distribuída em vez de uma única equipe de especialistas. O conjunto de dados foi construído com pesquisadores da UC Berkeley, Johns Hopkins, Universidade de Michigan e outras instituições.

Resultados que Escalam

No LIBERO-Plus, o pré-treinamento contínuo no V1 eleva o π0.5 de 83,9% para 88,8% de sucesso e supera uma baseline RoboCasa365 correspondente em volume em 37,3%. O desempenho melhora consistentemente à medida que os dados de pré-treinamento escalam de 25% a 100% do conjunto de dados, sem sinais de saturação, evidência de que os ganhos vêm da diversidade e cobertura, e não de um aumento isolado. As maiores melhorias aparecem sob perturbações de câmera, ruído de sensor e layout, os eixos exatos que a Axis randomiza durante a geração.

A equipe diz que o V2 já está em andamento, escalando para 1,2 milhão de trajetórias em 1.200 tarefas, com generalização cross-embodiment e resultados em vários modelos VLA mostrando que dados de simulação subótimos treinam políticas robustas.

O Motor Por Trás do Conjunto de Dados

O conjunto de dados é uma saída de um motor de dados compostos e ativo. Onde um fornecedor de dados tradicional coleta para uma especificação fixa e para, a Axis usa o desempenho do modelo e os casos de falha para determinar o que deve ser coletado em seguida, de modo que cada rodada de treinamento informa a próxima. Esse motor opera em uma estratégia híbrida em quatro linhas de dados, e todas as quatro agora operam em escala:

• Simulação: mais de 200.000 contribuidores distribuídos no Axis Hub, um dApp entre os top 3 na Base, produzindo mais de 4,7 milhões de trajetórias em 13 embodimentes.
• Egocêntrico: uma rede gerenciada de mais de 1.000 coletores de tempo integral, treinados em QC, capturando atividades em primeira pessoa em casas e empresas reais em 14 indústrias: mais de 200.000 horas já acumuladas e crescendo em mais de 4.000 horas todos os dias, com pose de mão verificada por Vicon.
• Loco-manipulação: mais de 500 horas combinando mobilidade e destreza em humanoides reais (Unitree G1, Booster T2) por meio de teleoperação agnóstica de hardware.
• Pós-treinamento DAgger com controle humano: mais de 500 horas de correção humana no loop, direcionadas a casos de borda de implantação.

Cada tarefa e trajetória é registrada on-chain na Base para proveniência, e os contribuidores são recompensados pela qualidade do trabalho verificada.

De Dados Abertos para Implantação Comercial

Além de disponibilizar dados de simulação como código aberto, a Axis trabalha diretamente com empresas de embodimentes robóticos para construir pipelines de dados personalizados e específicos para o embodiment e priors de modelo.

Como o primeiro parceiro de dados de simulação da Booster Robotics, a Axis reconstruiu o espaço de trabalho real da Booster como um gêmeo digital alinhado a tarefas, teve contribuidores distribuídos coletando mais de 42.000 episódios de simulação nele e os destilou em um prior de modelo específico para a Booster. Com apenas 30 demonstrações de robô real, esse prior atingiu 87,5% de sucesso versus 37,5% para um π0.5 de prateleira, correspondendo ao π0.5 usando metade das demonstrações do mundo real.

Outros parceiros abrangem empresas de embodimentes (Feagine Robotics), empresas de modelos (Manycore Tech, Dexmal) e automação industrial (Lotus Cars, Geely Auto). A Axis também fornece redes robóticas on-chain: BitRobot na Solana e OpenRoboto na Bittensor.

Redefinindo a Base de Dados da IA Física

“O futuro da IA Física não é um conjunto de dados estático que você baixa uma vez”, disse Chris Feng, fundador da Axis Robotics. “É um motor que continua produzindo os dados que o modelo precisa em seguida. A escala lhe dá cobertura ampla. A diversidade mantém o ruído não enviesado. O ciclo fechado transforma cada falha em progresso. É isso que compõe.”

A Axis foi fundada por pesquisadores da UC Berkeley, CMU, Georgia Tech e SJTU, junto com fundadores em série que escalaram plataformas de consumo para mais de 30 milhões de usuários. Sua pesquisa é aconselhada por Jiachen Li, Professor Assistente na Georgia Tech.

Link do Artigo: https://arxiv.org/abs/2607.21588

Página do Projeto: https://axisaiorg.github.io/AXIS-V1/

Link do Conjunto de Dados: https://huggingface.co/datasets/axisrobotics/Franka-Dataset

Repositório de Código Github: https://github.com/AxisAIOrg/Axis-V1-Training