Axis Robotics ได้เปิดตัว Axis Sim Dataset V1 ซึ่งเป็นหนึ่งในชุดข้อมูลการจำลองแบบโอเพ่นซอร์สที่ใหญ่ที่สุดสำหรับการควบคุมแขนของ Franka โดยมีชุดข้อมูล โค้ดการฝึกอบรม และเกณฑ์มาตรฐานฉบับสมบูรณ์ที่เปิดเผยต่อสาธารณะ V1 ถูกสร้างขึ้นจากวิถีการจำลองที่ดำเนินการโดยมนุษย์มากกว่า 50,000 วิถี ในงานการจัดการ 207 งาน และฉากที่แตกต่างกันมากกว่า 60,000 ฉากบนแขนจำลอง Franka Research 3
ชุดข้อมูลนี้มีการดาวน์โหลดมากกว่า 160,000 ครั้ง ทำให้เป็นชุดข้อมูลการจำลอง Franka แบบโอเพ่นซอร์สที่มีการดาวน์โหลดมากที่สุดบน Hugging Face ในการวัดประสิทธิภาพ การฝึกล่วงหน้าอย่างต่อเนื่องบน V1 เพิ่มขึ้น π0.5 และเอาชนะเส้นฐาน RoboCasa ที่จับคู่ปริมาตร โดยทุกผลลัพธ์เปิดและตรวจสอบได้
Axis Robotics กำลังสร้างกลไกข้อมูลการผสมขั้นสูงสุดสำหรับ Physical AI ซึ่งเป็นระบบบูรณาการในแนวตั้ง ซึ่งครอบคลุมการจำลองขนาดใหญ่ การจับภาพในโลกแห่งความเป็นจริงโดยยึดถือตัวเองเป็นหลัก การจัดการกับตำแหน่งของมนุษย์ และหลังการฝึกอบรม DAgger ที่ควบคุมโดยมนุษย์ บริษัทระดมทุนได้ 12 ล้านดอลลาร์ในการระดมทุนเริ่มต้นซึ่งนำโดย Hack VC โดยมีส่วนร่วมจาก Nomad Capital, Pi Network Ventures, 10K Ventures และนักลงทุนเทวดา
เดิมพันกับ “ข้อมูลสะอาดเท่านั้น”
ข้อสันนิษฐานทั่วไปในวิทยาการหุ่นยนต์คือการสาธิตจะต้องใกล้เคียงประสิทธิภาพสูงสุดในการเริ่มต้น — กรองลงไปตามวิถีของผู้เชี่ยวชาญ สร้างมาตรฐานให้กับการตั้งค่า และทิ้งสิ่งใดก็ตามที่มีเสียงดังก่อนที่จะเลียนแบบได้อย่างปลอดภัย วิทยานิพนธ์ของ Axis ดำเนินไปในทางอื่น นั่นคือ คุณภาพของข้อมูลอยู่ในระดับการกระจาย ไม่ใช่วิถีเดียว เมื่อฝูงชนจำนวนมากและหลากหลายก่อให้เกิดเสียงดัง วิถีโคจรที่ไม่เหมาะสมและข้อผิดพลาดของพวกมันไม่มีความสัมพันธ์กัน เสียงรบกวนจะหมดไปและนโยบายการทำงานจะคงอยู่ในระหว่างการฝึกซ้อม
Axis Sim Dataset V1 นำวิทยานิพนธ์ดังกล่าวไปสู่การทดสอบสาธารณะ วิถีการเคลื่อนที่ของมันครอบคลุมถึงการหยิบและวาง การเรียงซ้อน การเท การจัดการกับวัตถุแบบก้อง และการใช้เครื่องมือ ทั้งหมดนี้รวบรวมผ่านแพลตฟอร์มการทำงานทางไกลบนเบราว์เซอร์ของ Axis หรือ Axis Hub โดยกลุ่มคนที่กระจายตัวกัน ไม่ใช่ทีมผู้เชี่ยวชาญเพียงทีมเดียว ชุดข้อมูลนี้สร้างขึ้นโดยนักวิจัยจาก UC Berkeley, Johns Hopkins, มหาวิทยาลัยมิชิแกน และสถาบันอื่นๆ
ผลลัพธ์ในระดับนั้น
บน LIBERO-Plus การฝึกล่วงหน้าอย่างต่อเนื่องบน V1 ยก π0.5 จาก 83.9% เป็น 88.8% สำเร็จ และทำได้ดีกว่า RoboCasa365 ที่จับคู่ปริมาตรได้ 37.3% ประสิทธิภาพได้รับการปรับปรุงอย่างต่อเนื่อง เนื่องจากข้อมูลการฝึกอบรมล่วงหน้าจะปรับขนาดจาก 25% เป็น 100% ของชุดข้อมูล โดยไม่เห็นความอิ่มตัว ซึ่งเป็นหลักฐานว่าประโยชน์ที่ได้มาจากความหลากหลายและความครอบคลุมมากกว่าการเพิ่มขึ้นเพียงครั้งเดียว การปรับปรุงที่ใหญ่ที่สุดจะปรากฏใต้กล้อง สัญญาณรบกวนของเซ็นเซอร์ และการรบกวนของเลย์เอาต์ แกนที่แน่นอนของ Axis จะสุ่มระหว่างการสร้าง
ทีมงานกล่าวว่า V2 กำลังดำเนินการอยู่ โดยขยายเป็น 1.2 ล้านวิถีใน 1,200 งาน ด้วยภาพรวมข้ามรูปลักษณ์และผลลัพธ์ในแบบจำลอง VLA หลายแบบ แสดงให้เห็นว่าข้อมูลการจำลองที่ต่ำกว่ามาตรฐานจะช่วยฝึกนโยบายที่แข็งแกร่ง
เครื่องยนต์เบื้องหลังชุดข้อมูล
ชุดข้อมูลเป็นเอาต์พุตหนึ่งของเอ็นจิ้นข้อมูลที่ใหญ่กว่าและกำลังรวมข้อมูลอยู่ ในกรณีที่ผู้จำหน่ายข้อมูลแบบดั้งเดิมรวบรวมตามข้อกำหนดเฉพาะและหยุด Axis จะใช้ประสิทธิภาพของโมเดลและกรณีความล้มเหลวเพื่อกำหนดว่าควรรวบรวมสิ่งใดต่อไป ดังนั้นทุกรอบการฝึกอบรมจะแจ้งให้ทราบในครั้งต่อไป เอ็นจิ้นนั้นทำงานบนกลยุทธ์ไฮบริดในสี่สายข้อมูล และทั้งสี่ตอนนี้ทำงานตามขนาด:
- การจำลอง: ผู้สนับสนุนแบบกระจายมากกว่า 200,000 รายบน Axis Hub ซึ่งเป็น dApp 3 อันดับแรกบน Base ซึ่งสร้างวิถี 4.7M+ ใน 13 รูปลักษณ์
- เห็นแก่ตัว: เครือข่ายที่ได้รับการจัดการโดยนักสะสมที่ผ่านการฝึกอบรมด้าน QC กว่า 1,000 คนเต็มเวลา ซึ่งบันทึกกิจกรรมของบุคคลที่หนึ่งในบ้านและธุรกิจจริงใน 14 อุตสาหกรรม: 200,000+ ชั่วโมงที่ฝากไว้แล้วและเพิ่มขึ้น 4,000+ ชั่วโมงทุกวัน ด้วยท่ามือที่ได้รับการรับรองจาก Vicon
- การจัดการสถานที่: 500+ ชั่วโมงที่รวมความคล่องตัวและความคล่องแคล่วบนหุ่นยนต์มนุษย์จริง (Unitree G1, Booster T2) ผ่านการปฏิบัติการทางไกลที่ไม่เชื่อเรื่องฮาร์ดแวร์
- หลังการฝึกอบรม DAgger แบบควบคุมโดยมนุษย์: 500+ ชั่วโมงของการแก้ไขแบบ Human-in-The-Loop โดยมีเป้าหมายที่ Deployment Edge Cases
ทุกงานและวิถีจะถูกบันทึกไว้บน Base เพื่อแหล่งที่มา และผู้มีส่วนร่วมจะได้รับรางวัลสำหรับคุณภาพงานที่ตรวจสอบแล้ว
จากข้อมูลแบบเปิดไปจนถึงการใช้งานเชิงพาณิชย์
นอกเหนือจากข้อมูลการจำลองแบบโอเพ่นซอร์สแล้ว Axis ยังทำงานร่วมกับโดยตรงอีกด้วย บริษัทศูนย์รวมหุ่นยนต์ เพื่อสร้างไปป์ไลน์ข้อมูลเฉพาะรูปลักษณ์และโมเดลพรีเซเตอร์ที่กำหนดเอง
ในฐานะพันธมิตรด้านข้อมูลซิมรายแรกของ Booster Robotics Axis ได้สร้างพื้นที่ทำงานจริงของ Booster ขึ้นใหม่เป็นแฝดดิจิทัลที่สอดคล้องกับงาน โดยได้แจกจ่ายผู้มีส่วนร่วมที่รวบรวมตอนจำลองมากกว่า 42,000 ตอน และกลั่นให้เป็นโมเดลเฉพาะของ Booster ก่อนหน้านี้ ด้วยการสาธิตหุ่นยนต์จริงเพียง 30 ตัว ซึ่งก่อนหน้านี้ประสบความสำเร็จถึง 87.5% เทียบกับ 37.5% สำหรับการสาธิตหุ่นยนต์จริงเพียง 37.5% ซึ่งเท่ากับ π0.5 โดยใช้การสาธิตในโลกแห่งความเป็นจริงเพียงครึ่งเดียว
พันธมิตรอื่น ๆ ครอบคลุม บริษัทศูนย์รวม (หุ่นยนต์ขนนก), บริษัทต้นแบบ (Manycore Tech, Dexmal) และ ระบบอัตโนมัติทางอุตสาหกรรม (โลตัสคาร์,จีลี่ออโต้). แกนยังจัดหาวัสดุ เครือข่ายหุ่นยนต์ออนไลน์: BitRobot บน Solana และ OpenRoboto บน Bittensor
นิยามใหม่ของรากฐานข้อมูลของ Physical AI
“อนาคตของ Physical AI ไม่ใช่ชุดข้อมูลคงที่ที่คุณดาวน์โหลดเพียงครั้งเดียว” Chris Feng ผู้ก่อตั้ง Axis Robotics กล่าว “มันเป็นกลไกที่คอยผลิตข้อมูลที่โมเดลต้องการต่อไป สเกลทำให้คุณครอบคลุมในวงกว้าง ความหลากหลายทำให้สิ่งรบกวนเป็นกลาง วงปิดจะเปลี่ยนทุกความล้มเหลวให้เป็นความคืบหน้า นั่นคือสิ่งที่ประกอบกัน”
Axis ก่อตั้งโดยนักวิจัยจาก UC Berkeley, CMU, Georgia Tech และ SJTU ควบคู่ไปกับผู้ก่อตั้งซีเรียลที่ขยายแพลตฟอร์มผู้บริโภคให้มีผู้ใช้มากกว่า 30 ล้านคน การวิจัยได้รับคำแนะนำโดย Jiachen Li ผู้ช่วยศาสตราจารย์ที่ Georgia Tech
ลิงค์กระดาษ:
หน้าโครงการ:
ลิงค์ชุดข้อมูล:
รหัสฐาน Github:
