NewsBTC
10 часов назад
Бычья

Axis Robotics выпускает крупный открытый датасет симуляции Franka arm, привлекает $12M

4 мин

Axis Robotics выпустила Axis Sim Dataset V1 — открытый датасет манипуляций для манипулятора Franka с полным кодом обучения и бенчмарками. V1 содержит более 50 000 симуляционных траекторий, собранных с человеческой телепригодой, по 207 задачам и более 60 000 вариантов сцен на симулированной руке Franka Research 3. Датасет превысил 160 000 загрузок на Hugging Face — это самый высокий показатель среди открытых симуляционных датасетов манипуляций для Franka. Бенчмарки показывают, что непрерывное предобучение на V1 повышает π0.5 и превосходит базу RoboCasa при сопоставимом объеме данных; результаты публично верифицируемы.

Axis строит накапливающийся (compounding) дата-движок для Physical AI, который объединяет крупномасштабную симуляцию, эгоцентричный сбор реальных данных, гуманоидную локомо-манипуляцию и post-training DAgger с допуском человека (human-gated). Компания привлекла $12 млн посевного финансирования под руководством Hack VC, при участии Nomad Capital, Pi Network Ventures, 10K Ventures и ангельских инвесторов.

Тезис: масштаб и разнообразие важнее, чем «только чистые данные»

Axis утверждает, что качество данных рождается из масштабности и разнообразия распределения. Когда большая, разнородная аудитория производит шумные, субоптимальные траектории с некоррелированными ошибками, усреднение при обучении дает устойчивые политики. V1 проверяет это: траектории охватывают pick-and-place, штабелирование, переливание, манипуляции с сочлененными объектами и работу с инструментами; сбор велся через браузерную телепригодку Axis Hub распределенными контрибьюторами. Среди соавторов — UC Berkeley, Johns Hopkins и University of Michigan.

Результаты бенчмарков

На LIBERO-Plus непрерывное предобучение на V1 повышает успешность π0.5 с 83.9% до 88.8% и на 37.3% превосходит базовый RoboCasa365 при равном объеме данных. Производительность монотонно растет при использовании от 25% до 100% V1, насыщения не наблюдается. Наибольший прирост — при возмущениях камеры, сенсорного шума и компоновки сцены, которые в V1 явно рандомизируются.

V2 в работе: 1.2 млн траекторий по 1 200 задачам, с прицелом на кросс-эмбодиментную обобщаемость и оценки на множестве VLA-моделей для валидации устойчивости, достигаемой за счет субоптимальных симуляционных данных.

Нарастающий дата-движок

Axis собирает данные итеративно, исходя из качества модели и ее сбоев. Четыре масштабированные линии данных:

  • Симуляция: более 200 000 контрибьюторов на Axis Hub, одно из топ-3 dApp в Base, собравших свыше 4.7 млн траекторий по 13 типам воплощений.
  • Эгоцентричные данные: более 1 000 штатных сборщиков, прошедших QC-обучение, записывают данные от первого лица в 14 индустриях: накоплено свыше 200 000 часов, прирост более 4 000 часов в день; верифицированная поза рук по Vicon.
  • Локо-манипуляция: более 500 часов на реальных гуманоидных роботах, включая Unitree G1 и Booster T2, через аппаратно-агностичную телепригодку.
  • Post-training DAgger с допуском человека: более 500 часов корректировок с участием человека, сфокусированных на краевых случаях при развертывании.

Все задачи и траектории записываются ончейн в Base для обеспечения провенанса, а контрибьюторы получают вознаграждения, привязанные к верифицированному качеству работы.

От открытых данных к внедрению

Axis сотрудничает с компаниями по роботическим воплощениям для создания кастомных конвейеров данных и прайоров. Совместно с Booster Robotics Axis создала цифрового двойника реального рабочего пространства, собрала более 42 000 симуляционных эпизодов и дистиллировала прайор, специфичный для Booster. Используя 30 демонстраций на реальном роботе, этот прайор достиг 87.5% успешности против 37.5% у готового из коробки π0.5, сопоставившись с π0.5 при вдвое меньшем числе реальных демонстраций.

Дополнительные партнеры: Feagine Robotics, Manycore Tech, Dexmal, Lotus Cars, Geely Auto. Axis поставляет решения для ончейн-робототехнических сетей, включая BitRobot на Solana и OpenRoboto на Bittensor.

Организация

Axis основана исследователями из UC Berkeley, CMU, Georgia Tech и SJTU, а также серийными основателями с продуктами, масштабированными до 30+ млн пользователей. Научный консультант — Jiachen Li, доцент Georgia Tech. Основатель Chris Feng заявляет, что Physical AI требует замкнутого контура, который масштабирует, разнообразит и накапливает данные в зависимости от потребностей модели.

Статья: https://arxiv.org/abs/2607.21588
Проект: https://axisaiorg.github.io/AXIS-V1/
Датасет: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
Код: https://github.com/AxisAIOrg/Axis-V1-Training