A Axis Robotics disponibiliza em código aberto um dos maiores conjuntos de dados de simulação do braço Franka para IA física

A Axis Robotics lançou o Axis Sim Dataset V1, um dos maiores conjuntos de dados de simulação de código aberto para manipulação com o braço Franka, com o conjunto de dados completo, o código de treino e os benchmarks disponíveis publicamente. O V1 foi 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 num braço Franka Research 3 simulado.

Este conjunto de dados obteve mais de 160.000 downloads, tornando-se o conjunto de dados de simulação de manipulação Franka de código aberto mais descarregado no Hugging Face. Em testes de benchmark, o pré-treino contínuo em V1 elevou o π0,5 e superou uma linha de base RoboCasa com volume equivalente, com todos os resultados abertos e verificáveis.

A Axis Robotics está a construir o motor de dados composto definitivo para a IA Física, um sistema verticalmente integrado que abrange a simulação em larga escala, a captura egocêntrica do mundo real, a locomoção humanoide e o pós-treino do DAgger com controlo humano. A empresa captou 12 milhões de dólares em financiamento seed liderado pela Hack VC, com a participação da Nomad Capital, Pi Network Ventures, 10K Ventures e investidores-anjo.

Uma aposta contra o conceito de "apenas dados limpos"

Uma suposição comum em robótica é que as demonstrações devem ser quase ótimas desde o início — filtrar as trajetórias para obter as melhores, padronizar a configuração e descartar qualquer ruído antes de ser seguro imitá-las. A tese da Axis vai no sentido oposto: a qualidade dos dados reside ao nível da distribuição, e não na trajetória individual. Quando um grupo suficientemente grande e diversificado produz trajetórias ruidosas e subóptimas, e os seus erros não são correlacionados, o ruído dilui-se e uma política funcional sobrevive durante o treino.

O conjunto de dados Axis Sim V1 coloca esta tese à prova pública. As suas trajetórias abrangem operações de pegar e colocar, empilhar, despejar, manipulação de objetos articulados e utilização de ferramentas, todas recolhidas através da plataforma de teleoperação baseada no browser da Axis, o Axis Hub, por uma comunidade distribuída em vez de uma única equipa de especialistas. O conjunto de dados foi construído com investigadores da UC Berkeley, Johns Hopkins, Universidade de Michigan e outras instituições.

Resultados que escalam

No LIBERO-Plus, o pré-treino contínuo em V1 eleva a taxa de sucesso de π0,5 de 83,9% para 88,8% e supera uma linha de base RoboCasa365 com um volume equivalente em 37,3%. O desempenho melhora consistentemente à medida que os dados de pré-formação aumentam de 25% para 100% do conjunto de dados, sem saturação à vista, evidenciando que os ganhos provêm da diversidade e da cobertura, e não de um aumento pontual. As maiores melhorias aparecem sob perturbações da câmara, ruído do sensor e layout, exatamente os eixos que o Axis randomiza durante a geração.

A equipa afirma que a versão 2 já está em curso, com escalabilidade para 1,2 milhões de trajetórias em 1.200 tarefas, com generalização entre diferentes corpos e resultados em múltiplos modelos VLA, mostrando que dados de simulação subótimos treinam políticas robustas.

O mecanismo por detrás do conjunto de dados

O conjunto de dados é uma das saídas de um motor de dados maior e em constante melhoria. Enquanto um fornecedor de dados tradicional recolhe dados de acordo com uma especificação fixa e para, a Axis utiliza o desempenho do modelo e os casos de falha para determinar o que deve ser recolhido a seguir, de modo a que cada ronda de formação informe a próxima. Este mecanismo opera com uma estratégia híbrida em quatro linhas de dados, sendo que todas as quatro operam agora à escala:

• Simulação: mais de 200.000 colaboradores distribuídos no Axis Hub, uma das 3 principais aplicações descentralizadas (dApps) da Base, produzindo mais de 4,7 milhões de trajetórias em 13 implementações diferentes.
• Egocentric: uma rede gerida com mais de 1.000 apanhadores a tempo inteiro, com formação em controlo de qualidade, que captam as atividades na primeira pessoa em casas e empresas reais em 14 setores: mais de 200.000 horas já registadas e a crescer em mais de 4.000 horas por dia, com verificação da pose das mãos pela Vicon.
• Locomoção e manipulação: mais de 500 horas combinando mobilidade e destreza em humanoides reais (Unitree G1, Booster T2) através de teleoperação independente de hardware.
• Pós-formação do DAgger com intervenção humana: mais de 500 horas de correcção com intervenção humana, direccionada para casos extremos de implementação.

Cada tarefa e trajetória é registada na blockchain Base para efeitos de comprovação de origem, e os colaboradores são recompensados ​​pela qualidade comprovada do trabalho.

Dos dados abertos à implementação comercial

Além de disponibilizar dados de simulação em código aberto, a Axis trabalha diretamente com empresas de desenvolvimento de robôs para criar fluxos de dados personalizados e modelos de probabilidades prévias específicos para cada robô.

Como primeiro parceiro de dados de simulação da Booster Robotics, a Axis reconstruiu o espaço de trabalho real da Booster como um gémeo digital alinhado com as tarefas, contou com a colaboração de pessoas distribuídas para recolher mais de 42.000 episódios de simulação e sintetizou-os num modelo a priori específico para a Booster. Com apenas 30 demonstrações com robôs reais, este modelo a priori alcançou 87,5% de sucesso, contra 37,5% para um modelo π0.5 padrão, igualando o π0.5 com metade das demonstrações em situações reais.

Outros parceiros incluem empresas de implementação (Feagine Robotics), empresas de modelação (Manycore Tech, Dexmal) e automação industrial (Lotus Cars, Geely Auto). A Axis disponibiliza ainda redes de robótica on-chain: BitRobot na Solana e OpenRoboto na Bittensor.

defios fundamentos de dados da IA ​​física

“O futuro da IA ​​Física não é um conjunto de dados estático que se descarrega uma única vez”, disse Chris Feng, fundador da Axis Robotics. “É um mecanismo que continua a produzir os dados de que o modelo necessita a seguir. A escala proporciona uma ampla cobertura. A diversidade mantém o ruído imparcial. O ciclo fechado transforma cada falha em progresso. É isso que gera resultados cumulativos”

A Axis foi fundada por investigadores da UC Berkeley, CMU, Georgia Tech e SJTU, juntamente com empresários experientes que já escalaram plataformas de consumo para mais de 30 milhões de utilizadores. A sua investigação conta com a supervisão de Jiachen Li, professor assistente na Georgia Tech.

Link para o artigo: https://arxiv.org/abs/2607.21588

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

Link para o conjunto de dados: https://huggingface.co/datasets/axisrobotics/Franka-Dataset

Base de código no Github: https://github.com/AxisAIOrg/Axis-V1-Training