Axis Robotics udostępnia na otwartej licencji jeden z największych zbiorów danych symulacyjnych dla ramienia Franka na potrzeby fizycznej AI

Axis Robotics udostępniło Axis Sim Dataset V1 — jeden z największych otwartych zbiorów danych symulacyjnych do manipulacji ramieniem Franka. Publicznie dostępne są pełny zbiór danych, kod treningowy i benchmarki. Wersja V1 obejmuje ponad 50 000 trajektorii symulacyjnych sterowanych przez ludzi z użyciem teleoperacji, zebranych w ramach 207 zadań manipulacyjnych i ponad 60 000 wariantów scen na symulowanym ramieniu Franka Research 3.

Zbiór pobrano ponad 160 000 razy, co czyni go najczęściej pobieranym otwartym zbiorem danych symulacyjnych do manipulacji ramieniem Franka na Hugging Face. W benchmarkach ciągłe wstępne trenowanie na V1 poprawiło wyniki π0.5 i przewyższyło bazowy model RoboCasa wytrenowany na porównywalnej ilości danych. Wszystkie wyniki są publiczne i możliwe do zweryfikowania.

Axis Robotics buduje najlepszy, stale rozbudowywany silnik danych dla Physical AI — zintegrowany pionowo system obejmujący symulacje na dużą skalę, egocentryczne rejestrowanie danych w rzeczywistym świecie, lokomocję i manipulację humanoidów oraz posttrening metodą DAgger z udziałem człowieka. Firma pozyskała 12 milionów dolarów finansowania zalążkowego w rundzie prowadzonej przez Hack VC, z udziałem Nomad Capital, Pi Network Ventures, 10K Ventures i inwestorów prywatnych.

Zakład przeciwko podejściu „tylko czyste dane”

Powszechne założenie w robotyce mówi, że demonstracje już na starcie muszą być niemal optymalne — należy wybrać trajektorie ekspertów, ustandaryzować konfigurację i odrzucić wszystko, co zaszumione, zanim będzie można bezpiecznie naśladować zachowanie. Teza Axis jest odwrotna: jakość danych ocenia się na poziomie rozkładu, a nie pojedynczej trajektorii. Gdy wystarczająco duża i zróżnicowana grupa generuje zaszumione, nieoptymalne trajektorie, a błędy nie są ze sobą skorelowane, szum się uśrednia, a w trakcie treningu wyłania się działająca polityka.

Axis Sim Dataset V1 poddaje tę tezę publicznej weryfikacji. Zawarte w nim trajektorie obejmują chwytanie i odkładanie, układanie w stos, nalewanie, manipulowanie obiektami przegubowymi oraz posługiwanie się narzędziami. Wszystkie zebrano za pomocą platformy teleoperacyjnej Axis Hub, działającej w przeglądarce, przy udziale rozproszonej grupy osób, a nie jednego zespołu ekspertów. Zbiór danych powstał we współpracy z badaczami z UC Berkeley, Johns Hopkins, University of Michigan i innych instytucji.

Wyniki, które rosną wraz ze skalą

W benchmarku LIBERO-Plus ciągłe wstępne trenowanie na V1 podnosi skuteczność π0.5 z 83,9% do 88,8% i przewyższa o 37,3% wynik bazowy zbioru RoboCasa365 o dopasowanej objętości. Wyniki poprawiają się konsekwentnie wraz ze wzrostem ilości danych do wstępnego trenowania — od 25% do 100% zbioru — i nie widać oznak nasycenia. To dowód, że poprawa wynika z różnorodności i zakresu danych, a nie z jednorazowego skoku. Największe wzrosty widać przy zakłóceniach obrazu z kamer, szumie czujników i zmianach układu — czyli dokładnie w tych wymiarach, które Axis losowo zmienia podczas generowania danych.

Zespół informuje, że prace nad V2 już trwają. Projekt obejmuje 1,2 miliona trajektorii w ramach 1 200 zadań, generalizację między różnymi typami robotów oraz wyniki uzyskane na wielu modelach VLA, które pokazują, że nieoptymalne dane symulacyjne pozwalają trenować odporne polityki.

Silnik napędzający zbiór danych

Zbiór danych to jeden z rezultatów działania większego, stale wzmacniającego się silnika danych. Tradycyjny dostawca danych gromadzi je zgodnie ze z góry ustaloną specyfikacją i na tym poprzestaje. Axis wykorzystuje natomiast wyniki modeli i przypadki błędów, by określać, jakie dane należy zebrać w następnej kolejności, dzięki czemu każda runda treningowa dostarcza wskazówek na potrzeby kolejnej. Silnik ten działa w oparciu o hybrydową strategię obejmującą cztery strumienie danych, które wszystkie działają już na dużą skalę:

• Symulacja: ponad 200 000 rozproszonych uczestników na Axis Hub, jednej z trzech największych dAppów na Base, tworzy ponad 4,7 mln trajektorii dla 13 typów robotów.
• Dane egocentryczne: zarządzana sieć ponad 1 000 przeszkolonych w zakresie kontroli jakości osób pracujących w pełnym wymiarze godzin, które rejestrują aktywność z perspektywy pierwszej osoby w prawdziwych domach i firmach z 14 branż. Zgromadzono już ponad 200 000 godzin materiału, a każdego dnia przybywa ich ponad 4 000. Pozycje dłoni są weryfikowane przez system Vicon.
• Lokomocja i manipulacja: ponad 500 godzin łączących mobilność i zręczność w pracy z prawdziwymi humanoidami (Unitree G1, Booster T2), z wykorzystaniem teleoperacji niezależnej od sprzętu.
• Post-trening DAgger z udziałem człowiekaPonad 500 godzin korekt z udziałem człowieka, ukierunkowanych na przypadki brzegowe występujące podczas wdrożenia.

Każde zadanie i każda trajektoria są rejestrowane w łańcuchu bloków Base, co zapewnia ich identyfikowalność, a współtwórcy otrzymują wynagrodzenie za jakość pracy potwierdzoną weryfikacją.

Od otwartych danych do komercyjnego wdrożenia

Oprócz udostępniania danych symulacyjnych na otwartej licencji, Axis współpracuje bezpośrednio z firmami tworzącymi platformy robotyczne w celu budowy dostosowanych do potrzeb potoków danych i priorów modeli dla konkretnych platform robotycznych.

Jako pierwszy partner Booster Robotics w zakresie danych symulacyjnych Axis odtworzyło rzeczywistą przestrzeń roboczą firmy Booster w postaci cyfrowego bliźniaka dostosowanego do wykonywanych zadań, zleciło rozproszonym współtwórcom zebranie w nim ponad 42 000 epizodów symulacyjnych, a następnie skondensowało je do prioru modelu specyficznego dla Booster. Zaledwie 30 demonstracji z rzeczywistego robota wystarczyło, by ten prior osiągnął skuteczność 87,5% wobec 37,5% w przypadku niewytrenowanego modelu π0.5, dorównując π0.5 przy użyciu o połowę mniejszej liczby demonstracji z rzeczywistego świata.

Wśród pozostałych partnerów są firmy tworzące platformy robotyczne (Feagine Robotics), firmy rozwijające modele (Manycore Tech, Dexmal) oraz automatyka przemysłowa (Lotus Cars, Geely Auto). Axis dostarcza również on-chainowe sieci robotyczne: BitRobot w sieci Solana i OpenRoboto w sieci Bittensor.

Nowe fundamenty danych dla fizycznej AI

„Przyszłość fizycznej AI nie opiera się na statycznym zbiorze danych, który pobierasz raz na zawsze” — powiedział Chris Feng, założyciel Axis Robotics. „To silnik, który stale wytwarza dane, których model będzie potrzebował w następnej kolejności. Skala zapewnia szeroki zakres danych. Różnorodność sprawia, że szum pozostaje bezstronny. Zamknięta pętla zamienia każdą porażkę w postęp. To właśnie daje efekt kumulacji.”

Axis założyli naukowcy z UC Berkeley, CMU, Georgia Tech i SJTU oraz doświadczeni przedsiębiorcy, którzy rozwinęli platformy konsumenckie do ponad 30 milionów użytkowników. Badania Axis są prowadzone pod kierunkiem Jiachena Li, adiunkta w Georgia Tech.

Link do artykułu:

Strona projektu:

Link do zbioru danych:

Repozytorium kodu na GitHubie:

Źródło: BeInCrypto