Axis Robotics veröffentlicht umfangreiches Simulationsdatenset für Franka-Roboterarme

Axis Robotics hat das Axis Sim Dataset V1 veröffentlicht, eines der größten Open-Source-Simulationsdatensets für die Manipulation von Franka-Roboterarmen. Das vollständige Dataset, der Trainingscode und die Benchmarks sind öffentlich zugänglich. V1 basiert auf über 50.000 von Menschen teleoperierten Simulationsverläufen, die sich über 207 Manipulationsaufgaben und mehr als 60.000 Szenenvarianten auf einem simulierten Franka Research 3 Arm erstrecken.

Das Dataset wurde über 160.000 Mal heruntergeladen und ist damit das am häufigsten heruntergeladene Open-Source-Simulationsdataset für Franka-Manipulationen auf der Plattform Hugging Face. In Benchmarks zeigte sich, dass kontinuierliches Pretraining auf V1 die Leistung von π0.5 verbesserte und eine volumenangepasste RoboCasa-Basislinie übertraf. Alle Ergebnisse sind offen und überprüfbar.

Axis Robotics entwickelt ein umfassendes Datenmodell für Physical AI, das große Simulationen, egocentrische Echtweltaufnahmen, humanoide Loco-Manipulationen und menschlich gesteuertes DAgger-Post-Training umfasst. Das Unternehmen hat in einer Seed-Finanzierungsrunde 12 Millionen $ erhalten, angeführt von Hack VC, mit Beteiligung von Nomad Capital, Pi Network Ventures, 10K Ventures und Angel-Investoren.

Eine Wette gegen „Nur saubere Daten“

In der Robotik wird oft angenommen, dass Demonstrationen von Anfang an nahezu optimal sein müssen. Axis Robotics verfolgt jedoch einen anderen Ansatz: Die Datenqualität liegt auf der Verteilungsebene, nicht auf der Ebene einzelner Trajektorien. Wenn eine große und vielfältige Gruppe von Menschen suboptimale Trajektorien produziert und deren Fehler unkorreliert sind, mittelt sich das Rauschen heraus und eine funktionierende Politik überlebt während des Trainings.

Das Axis Sim Dataset V1 setzt diese These einem öffentlichen Test aus. Die Trajektorien umfassen Aufgaben wie Pick-and-Place, Stapeln, Gießen, Manipulation von artikulierten Objekten und Werkzeugnutzung, die alle über die browserbasierte Teleoperationsplattform Axis Hub von einer verteilten Menge gesammelt wurden.

Ergebnisse, die skalieren

Auf LIBERO-Plus verbesserte das kontinuierliche Pretraining auf V1 die Erfolgsquote von π0.5 von 83,9% auf 88,8% und übertraf eine volumenangepasste RoboCasa365-Basislinie um 37,3%. Die Leistung verbessert sich konsistent, wenn die Pretraining-Daten von 25% auf 100% des Datasets skaliert werden, ohne dass eine Sättigung in Sicht ist. Die größten Verbesserungen zeigen sich bei Kamera-, Sensorrauschen- und Layout-Störungen, genau den Achsen, die Axis während der Generierung randomisiert.

Das Team arbeitet bereits an V2, das auf 1,2 Millionen Trajektorien über 1.200 Aufgaben skaliert wird. Die Ergebnisse zeigen, dass suboptimale Simulationsdaten robuste Politiken trainieren können.

Der Motor hinter dem Dataset

Das Dataset ist ein Ergebnis eines größeren, sich aktiv entwickelnden Datenmodells. Axis nutzt die Leistung und Fehlerfälle von Modellen, um zu bestimmen, was als nächstes gesammelt werden sollte, sodass jede Trainingsrunde die nächste informiert. Dieses Modell basiert auf einer hybriden Strategie über vier Datenlinien:

• Simulation: Über 200.000 verteilte Mitwirkende auf Axis Hub, die über 4,7 Millionen Trajektorien über 13 Verkörperungen produzieren.
• Egocentric: Ein verwaltetes Netzwerk von über 1.000 Vollzeit-Sammlern, die Aktivitäten in realen Haushalten und Unternehmen erfassen.
• Loco-Manipulation: Über 500 Stunden, die Mobilität und Geschicklichkeit auf echten Humanoiden kombinieren.
• Human-gated DAgger post-training: Über 500 Stunden menschlicher Korrektur, die auf Einsatzfälle am Rande abzielen.

Jede Aufgabe und Trajektorie wird on-chain auf Base für die Herkunft aufgezeichnet, und Mitwirkende werden für die Qualität ihrer Arbeit belohnt.

Von offenen Daten zur kommerziellen Nutzung

Axis arbeitet direkt mit Unternehmen zusammen, um maßgeschneiderte, verkörperungsspezifische Datenpipelines und Modellprioren zu entwickeln. Als erster Simulationsdaten-Partner von Booster Robotics hat Axis den realen Arbeitsbereich von Booster als digitaler Zwilling nachgebildet und 42.000+ Simulationsfolgen gesammelt, um ein Booster-spezifisches Modell zu erstellen. Mit nur 30 realen Roboter-Demonstrationen erreichte dieses Modell eine Erfolgsquote von 87,5% im Vergleich zu 37,5% für ein Standardmodell.

Weitere Partner umfassen Unternehmen aus den Bereichen Verkörperung, Modellentwicklung und industrielle Automatisierung. Axis liefert auch an On-Chain-Robotics-Netzwerke.

Neudefinition der Datenbasis für Physical AI

„Die Zukunft von Physical AI ist kein statisches Dataset, das man einmal herunterlädt“, sagte Chris Feng, Gründer von Axis Robotics. „Es ist ein Motor, der kontinuierlich die Daten produziert, die das Modell als nächstes benötigt.“

Axis wurde von Forschern führender Universitäten gegründet und wird von Experten aus der Industrie beraten.