Axis Robotics 开源了用于物理人工智能的最大 Franka 机械臂仿真数据集之一

Axis Robotics 发布了 Axis Sim Dataset V1，这是目前最大的 Franka 机械臂操作开源仿真数据集之一，完整的数据集、训练代码和基准测试均已公开。V1 数据集基于超过 50,000 条由人类远程操控的仿真轨迹构建而成，涵盖 207 项操作任务和 60,000 多个场景变体，模拟对象为 Franka Research 3 机械臂。

该数据集下载量超过 16 万次，成为 Hugging Face 平台上下载量最高的开源 Franka 模拟操作数据集。在基准测试中，对 V1 进行持续预训练后，性能提升了 π0.5，并超越了体积匹配的 RoboCasa 基线模型，所有结果均公开且可验证。.

Axis Robotics 正在构建用于物理人工智能的终极复合数据引擎，这是一个垂直整合的系统，涵盖大规模仿真、以自我为中心的真实世界数据捕捉、人形机器人运动操控以及由人类控制的 DAgger 后训练。该公司已完成由 Hack VC 领投的 1200 万美元种子轮融资，Nomad Capital、Pi Network Ventures、10K Ventures 和天使投资人也参与了本轮融资。.

反对“仅使用干净数据”的赌注

机器人学中一个常见的假设是，演示数据必须一开始就接近最优——筛选出专家轨迹，标准化设置，并剔除所有噪声数据，才能安全地进行模仿。Axis 的论点则恰恰相反：数据质量存在于分布层面，而非单个轨迹层面。当足够庞大且多样化的群体产生噪声较大的次优轨迹，且这些轨迹的误差彼此不相关时，噪声就会被平均化，从而在训练过程中保留下来有效的策略。.

Axis Sim 数据集 V1 对这一论点进行了公开验证。其轨迹涵盖了拾取放置、堆叠、倾倒、铰接式物体操作和工具使用等操作，所有数据均由分布式众包而非单一专家团队，通过 Axis 基于浏览器的远程操作平台 Axis Hub 收集。该数据集由来自加州大学伯克利分校、约翰·霍普金斯大学、密歇根大学和其他机构的研究人员共同构建。.

可扩展的结果

在 LIBERO-Plus 数据集上，对 V1 进行持续预训练可将 π0.5 的成功率从 83.9% 提升至 88.8%，并比体积匹配的 RoboCasa365 基线模型高出 37.3%。随着预训练数据从数据集的 25% 扩展到 100%，性能持续提升，且未出现饱和现象，这表明性能提升源于数据的多样性和覆盖范围，而非一次性的提升。在考虑摄像头、传感器噪声和布局扰动的情况下，性能提升最为显著，而 Axis 正是在生成过程中随机化这些扰动的具体轴。.

该团队表示，V2 已经启动，规模扩大到 1200 个任务的 120 万条轨迹，具有跨具身泛化能力，并且在多个 VLA 模型上的结果表明，次优的模拟数据可以训练出稳健的策略。.

数据集背后的引擎

该数据集是规模更大、持续增长的数据引擎的输出之一。传统数据供应商按照固定规范收集数据后便停止，而 Axis 则利用模型性能和故障案例来决定下一步应该收集哪些数据，因此每一轮训练都会为下一轮训练提供信息。该引擎采用混合策略，跨越四条数据线运行，目前这四条数据线均已实现大规模运行：

• 模拟：Axis Hub 上有超过 20 万个分布式贡献者，是 Base 上排名前 3 的 dApp，在 13 种实现方式中产生了 470 多万条轨迹。
• Egocentric：一个由 1000 多名全职、经过质量控制培训的采集员组成的管理网络，在 14 个行业的真实家庭和企业中捕捉第一人称活动：已积累超过 20 万小时，并且每天以 4000 多个小时的速度增长，并经过 Vicon 验证的手部姿势。
• 移动操控：通过与硬件无关的远程操作，在真实的人形机器人（Unitree G1、Booster T2）上结合移动性和灵巧性进行 500 多个小时的训练。
• 人工控制的 DAgger 后训练：500 多个小时的人工参与纠正，针对部署边缘案例。

为了便于追溯，每个任务和轨迹都会在 Base 链上记录下来，贡献者会因经过验证的工作质量而获得奖励。.

从开放数据到商业部署

除了开源仿真数据外，Axis 还直接与 机器人实体公司 ，构建定制的、特定于实体的数据管道和模型先验。

作为Booster Robotics的首个仿真数据合作伙伴，Axis将Booster的真实工作空间重建为一个任务匹配的数字孪生模型，并由分散的贡献者收集了超过42,000个仿真实例，最终提炼出一个Booster专属的先验模型。仅需30次真实机器人演示，该先验模型的成功率就达到了87.5%，而开箱即用的π0.5模型的成功率仅为37.5%，这意味着该模型仅需一半的真实演示次数即可达到π0.5模型的成功率。.

其他合作伙伴涵盖 实体机器人公司 （Feagine Robotics）、 模型公司 （Manycore Tech、Dexmal）和 工业自动化公司 （莲花汽车、吉利汽车）。Axis 还提供 链上机器人网络BitRobot Solana 和基于 Bittensor 的 OpenRoboto。

重新defi物理人工智能的数据基础

“物理人工智能的未来并非一次性下载的静态数据集，”Axis Robotics创始人Chris Feng表示，“它是一个持续生成模型所需数据的引擎。规模带来广泛的覆盖面，多样性确保噪声的公正性，闭环将每一次失败转化为进步。这就是复利效应。”

Axis 由来自加州大学伯克利分校、卡内基梅隆大学、佐治亚理工学院和上海交通大学的研究人员，以及一些曾成功将消费平台用户规模扩展至 3000 万以上的连续创业者共同创立。其研究由佐治亚理工学院助理教授李嘉晨指导。.

论文链接： https://arxiv.org/abs/2607.21588

项目页面： https://axisaiorg.github.io/AXIS-V1/

数据集链接： https://huggingface.co/datasets/axisrobotics/Franka-Dataset

GitHub 代码库： https://github.com/AxisAIOrg/Axis-V1-Training