Компания Axis Robotics опубликовала в открытом доступе один из крупнейших наборов данных для моделирования манипулятора Franka для физического искусственного интеллекта

Компания Axis Robotics выпустила Axis Sim Dataset V1, один из крупнейших открытых наборов данных для моделирования манипуляций манипулятором Franka, полный набор данных, код обучения и бенчмарки которого находятся в открытом доступе. V1 создан на основе более чем 50 000 траекторий моделирования, управляемых человеком, для 207 задач манипуляции и более 60 000 вариантов сцен на моделируемом манипуляторе Franka Research 3.

Этот набор данных был скачан более 160 000 раз, что сделало его самым скачиваемым набором данных с открытым исходным кодом для моделирования манипуляций с помощью Franka на Hugging Face. В тестах производительности непрерывное предварительное обучение на версии V1 показало увеличение на π0,5 и превзошло базовый показатель RoboCasa с аналогичным объемом, при этом все результаты являются открытыми и проверяемыми.

Компания Axis Robotics разрабатывает совершенный механизм обработки данных для физического ИИ — вертикально интегрированную систему, охватывающую крупномасштабное моделирование, эгоцентрический захват реального мира, манипулирование локомотивами гуманоидов и постобучение DAgger с участием человека. Компания привлекла 12 миллионов долларов в рамках посевного финансирования, возглавляемого Hack VC, при участии Nomad Capital, Pi Network Ventures, 10K Ventures и частных инвесторов.

Ставка против подхода «Только чистые данные»

В робототехнике часто предполагается, что демонстрации должны быть изначально близки к оптимальным — необходимо отфильтровать траектории экспертов, стандартизировать настройку и отбросить все шумы, прежде чем их можно будет безопасно имитировать. Тезис компании Axis работает в противоположном направлении: качество данных зависит от распределения, а не от отдельной траектории. Когда достаточно большая и разнообразная группа людей создает шумные, неоптимальные траектории, и их ошибки некоррелированы, шум усредняется, и рабочая стратегия сохраняется в процессе обучения.

Набор данных Axis Sim Dataset V1 проверяет этот тезис на практике. Его траектории охватывают операции захвата и перемещения, укладки, переливания, манипулирования сочлененными объектами и использования инструментов. Все данные были собраны с помощью браузерной платформы дистанционного управления Axis Hub, распределенной группой пользователей, а не одной командой экспертов. Набор данных был создан совместно исследователями из Калифорнийского университета в Беркли, Университета Джонса Хопкинса, Мичиганского университета и других учреждений.

Результаты, которые масштабируются

На LIBERO-Plus непрерывное предварительное обучение на V1 повышает показатель π0,5 с 83,9% до 88,8% успешности и превосходит базовый показатель RoboCasa365 с аналогичным объемом данных на 37,3%. Производительность стабильно улучшается по мере увеличения объема данных предварительного обучения с 25% до 100% от всего набора данных, без признаков насыщения, что свидетельствует о том, что прирост обусловлен разнообразием и охватом, а не разовым увеличением. Наибольшие улучшения наблюдаются при изменении параметров камеры, шума сенсора и компоновки — именно тех осей, которые Axis рандомизирует во время генерации.

Команда заявляет, что работа над версией V2 уже ведется, она масштабируется до 1,2 миллиона траекторий в рамках 1200 задач, а результаты, полученные в ходе межмодельного обобщения и на нескольких моделях VLA, показывают, что использование неоптимальных данных моделирования позволяет обучать надежные стратегии.

Механизм, лежащий в основе набора данных

Этот набор данных — один из результатов работы более крупной, активно развивающейся системы обработки данных. В то время как традиционный поставщик данных собирает данные в соответствии с фиксированными параметрами и останавливается, Axis использует производительность модели и случаи сбоев для определения того, что следует собирать дальше, поэтому каждый раунд обучения влияет на следующий. Эта система работает по гибридной стратегии, охватывающей четыре линии данных, и все четыре теперь работают в масштабе:

• Моделирование: более 200 000 распределенных участников на Axis Hub, одном из 3 лучших децентрализованных приложений на Base, создали более 4,7 млн ​​траекторий в 13 вариантах реализации.
• Egocentric: управляемая сеть из более чем 1000 штатных, прошедших обучение по контролю качества сборщиков данных, которые фиксируют действия от первого лица в реальных домах и предприятиях в 14 отраслях: уже накоплено более 200 000 часов данных, и их количество ежедневно увеличивается на 4000+ часов, при этом положение рук подтверждено Vicon.
• Управление местоположением: более 500 часов работы, сочетающей мобильность и ловкость на реальных гуманоидах (Unitree G1, Booster T2) посредством телеуправления, не зависящего от аппаратного обеспечения.
• Пост-тренинг DAgger с участием человека: более 500 часов коррекции с участием человека, направленной на решение нестандартных ситуаций при развертывании.

Каждая задача и траектория записываются в блокчейн на платформе Base для отслеживания происхождения, а участники получают вознаграждение за подтвержденное качество работы.

От открытых данных к коммерческому внедрению

Помимо предоставления данных моделирования в открытом доступе, Axis напрямую сотрудничает с компаниями, занимающимися разработкой моделей роботов , для создания специализированных, специфичных для каждой модели конвейеров данных и априорных моделей.

Компания Axis, будучи первым партнером Booster Robotics по предоставлению данных для моделирования, воссоздала реальное рабочее пространство Booster в виде цифрового двойника, соответствующего поставленным задачам, привлекла распределенных участников для сбора более 42 000 эпизодов моделирования и преобразовала их в модель, специфичную для Booster. Всего с 30 демонстрациями на реальных роботах эта модель достигла 87,5% успеха по сравнению с 37,5% для стандартного значения π0,5, что соответствует значению π0,5, полученному при использовании половины реальных демонстраций.

Среди других партнеров — компании, занимающиеся воплощением роботов (Feagine Robotics), компании, занимающиеся моделированием (Manycore Tech, Dexmal), и компании, занимающиеся промышленной автоматизацией (Lotus Cars, Geely Auto). Axis также поставляет сети робототехники на блокчейне: BitRobot на Solana и OpenRoboto на Bittensor.

defiоснов данных в физическом искусственном интеллекте

«Будущее физического ИИ — это не статичный набор данных, который вы скачиваете один раз, — говорит Крис Фенг, основатель Axis Robotics. — Это механизм, который постоянно генерирует данные, необходимые модели в дальнейшем. Масштабирование обеспечивает широкий охват. Разнообразие позволяет избежать искажений. Замкнутый цикл превращает каждую неудачу в прогресс. Именно это и приводит к накопительному эффекту»

Компания Axis была основана исследователями из Калифорнийского университета в Беркли, Университета Карнеги-Меллона, Технологического института Джорджии и Университета Сан-Хосе, а также опытными предпринимателями, которые масштабировали потребительские платформы до более чем 30 миллионов пользователей. Научным руководителем компании является Цзячэнь Ли, доцент Технологического института Джорджии.

Ссылка на статью: https://arxiv.org/abs/2607.21588

Страница проекта: https://axisaiorg.github.io/AXIS-V1/

Ссылка на набор данных: https://huggingface.co/datasets/axisrobotics/Franka-Dataset

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