Axis Robotics เปิดเผยชุดข้อมูลแขน Franka แบบโอเพนซอร์สสำหรับ Physical AI

Axis Robotics ได้เผยแพร่ Axis Sim Dataset V1 ซึ่งเป็นหนึ่งในชุดข้อมูลจำลองโอเพนซอร์สที่ใหญ่ที่สุดสำหรับการควบคุมแขน Franka พร้อมกับชุดข้อมูลเต็ม โค้ดการฝึก และเกณฑ์มาตรฐาน V1 ประกอบด้วยมากกว่า 50,000 เส้นทางการเคลื่อนที่ที่ควบคุมโดยมนุษย์ผ่านระบบควบคุมระยะไกล ครอบคลุม 207 ภารกิจการควบคุม และมากกว่า 60,000 รูปแบบฉากบนแขน Franka Research 3 ที่จำลองขึ้น

ชุดข้อมูลนี้ดึงดูดการดาวน์โหลดมากกว่า 160,000 ครั้ง กลายเป็นชุดข้อมูลจำลอง Franka แบบโอเพนซอร์สที่ถูกดาวน์โหลดมากที่สุดบน Hugging Face ในการทดสอบเกณฑ์มาตรฐาน การฝึกก่อนล่วงหน้าแบบต่อเนื่องบน V1 ปรับปรุง π0.5 และมีประสิทธิภาพเหนือกว่าเกณฑ์พื้นฐาน RoboCasa ที่มีปริมาณเท่ากัน โดยผลลัพธ์ทั้งหมดเปิดเผยและตรวจสอบได้

Axis Robotics กำลังพัฒนาเอ็นจิ้นข้อมูลแบบทบต้นสำหรับ Physical AI ซึ่งเป็นระบบที่บูรณาการในแนวตั้งครอบคลุมการจำลองขนาดใหญ่ การจับภาพโลกจริงจากมุมมองบุคคลที่หนึ่ง การควบคุมการเคลื่อนที่และการจัดการของหุ่นยนต์คล้ายมนุษย์ และการฝึกหลังด้วย DAgger ที่มีการควบคุมโดยมนุษย์ บริษัทได้รับเงินทุนเริ่มต้น 12 ล้านดอลลาร์สหรัฐ นำโดย Hack VC โดยมี Nomad Capital, Pi Network Ventures, 10K Ventures และนักลงทุนเทวดาเข้าร่วมด้วย

การเดิมพันที่ต่อต้าน "ข้อมูลที่สะอาดเท่านั้น"

ความเชื่อที่แพร่หลายในวิทยาการหุ่นยนต์คือการสาธิตควรใกล้เคียงค่าที่เหมาะสมที่สุด โดยกรองให้เหลือเฉพาะเส้นทางของผู้เชี่ยวชาญและทิ้งข้อมูลที่มีสัญญาณรบกวน วิทยานิพนธ์ของ Axis โต้แย้งในทางกลับกัน: คุณภาพของข้อมูลถูกกำหนดในระดับการกระจาย ไม่ใช่ต่อเส้นทาง เมื่อกลุ่มคนจำนวนมากและหลากหลายสร้างเส้นทางที่มีสัญญาณรบกวนและต่ำกว่าค่าเหมาะสมที่สุดพร้อมข้อผิดพลาดที่ไม่สัมพันธ์กัน สัญญาณรบกวนจะหักล้างกันและนโยบายที่ใช้งานได้จะเกิดขึ้นระหว่างการฝึก Axis Sim Dataset V1 เป็นการทดสอบสาธารณะของวิทยานิพนธ์นั้น เส้นทางครอบคลุมการหยิบและวาง การซ้อน การเท การจัดการวัตถุที่มีข้อต่อ และการใช้เครื่องมือ ซึ่งรวบรวมผ่านแพลตฟอร์มควบคุมระยะไกลทางเบราว์เซอร์ของ Axis ชื่อ Axis Hub โดยกลุ่มผู้มีส่วนร่วมแบบกระจาย ชุดข้อมูลนี้พัฒนาร่วมกับนักวิจัยจาก UC Berkeley, Johns Hopkins, University of Michigan และอื่นๆ

ผลลัพธ์ที่ปรับขนาดได้

บน LIBERO-Plus การฝึกก่อนล่วงหน้าแบบต่อเนื่องโดยใช้ V1 เพิ่มความสำเร็จของ π0.5 จาก 83.9% เป็น 88.8% และสูงกว่าเกณฑ์พื้นฐาน RoboCasa365 ที่มีปริมาณเท่ากันถึง 37.3% ประสิทธิภาพเพิ่มขึ้นอย่างต่อเนื่องเมื่อข้อมูลการฝึกก่อนล่วงหน้าถูกปรับขนาดจาก 25% เป็น 100% ของชุดข้อมูล โดยไม่มีสัญญาณอิ่มตัว ซึ่งบ่งชี้ว่าการปรับปรุงมาจากความหลากหลายและการครอบคลุม การปรับปรุงที่มากที่สุดเกิดขึ้นภายใต้การรบกวนของกล้อง สัญญาณรบกวนเซ็นเซอร์ และเค้าโครง ซึ่งเป็นแกนที่ Axis สุ่มระหว่างการสร้าง ทีมงานรายงานว่า V2 อยู่ในระหว่างดำเนินการ โดยขยายเป็น 1.2 ล้านเส้นทางใน 1,200 ภารกิจ พร้อมการวางนัยทั่วไปข้ามรูปร่าง และผลลัพธ์จากโมเดล VLA หลายตัวชี้ให้เห็นว่าข้อมูลจำลองที่ต่ำกว่าค่าเหมาะสมสามารถฝึกนโยบายที่แข็งแกร่งได้

เอ็นจิ้นเบื้องหลังชุดข้อมูล

ชุดข้อมูลนี้เป็นหนึ่งในผลิตภัณฑ์ของเอ็นจิ้นข้อมูลที่ใหญ่กว่าและทบต้นอย่างต่อเนื่อง แตกต่างจากผู้จำหน่ายข้อมูลแบบดั้งเดิมที่รวบรวมตามข้อกำหนดคงที่แล้วหยุด Axis ใช้ประสิทธิภาพของโมเดลและกรณีความล้มเหลวเพื่อแนะนำการรวบรวมครั้งต่อไป ดังนั้นแต่ละรอบการฝึกจะแจ้งรอบถัดไป เอ็นจิ้นทำงานบนกลยุทธ์แบบผสมผสานในสี่สายข้อมูล ซึ่งทั้งหมดอยู่ในระดับที่ขยายขนาดได้:

• การจำลอง: ผู้มีส่วนร่วมแบบกระจายมากกว่า 200,000 คนบน Axis Hub ซึ่งเป็น dApp 3 อันดับแรกบน Base สร้างมากกว่า 4.7 ล้านเส้นทางใน 13 รูปร่าง
• มุมมองบุคคลที่หนึ่ง: เครือข่ายที่มีการจัดการของผู้รวบรวมเต็มเวลามากกว่า 1,000 คนที่ผ่านการฝึกอบรมด้าน QC ซึ่งบันทึกกิจกรรมบุคคลที่หนึ่งในบ้านและธุรกิจจริงใน 14 อุตสาหกรรม โดยมีชั่วโมงสะสมมากกว่า 200,000 ชั่วโมงและเพิ่มขึ้น 4,000+ ชั่วโมงต่อวัน ตรวจสอบโดยท่ามือ Vicon
• การเคลื่อนที่-การจัดการ: มากกว่า 500 ชั่วโมงที่รวมการเคลื่อนที่และความคล่องแคล่วบนหุ่นยนต์คล้ายมนุษย์จริง เช่น Unitree G1 และ Booster T2 ผ่านการควบคุมระยะไกลที่ไม่ขึ้นกับฮาร์ดแวร์
• การฝึกหลังด้วย DAgger ที่มีการควบคุมโดยมนุษย์: มากกว่า 500 ชั่วโมงของการแก้ไขโดยมนุษย์ในวงรอบที่มุ่งเป้าไปที่กรณีขอบของการใช้งาน

ทุกภารกิจและเส้นทางถูกบันทึกบนเชนบน Base เพื่อการพิสูจน์แหล่งที่มา และผู้มีส่วนร่วมได้รับรางวัลตามคุณภาพงานที่ตรวจสอบแล้ว

จากข้อมูลเปิดสู่การใช้งานเชิงพาณิชย์

นอกเหนือจากการเปิดเผยข้อมูลจำลองเป็นโอเพนซอร์สแล้ว Axis ยังร่วมมือโดยตรงกับบริษัทหุ่นยนต์ embodiment เพื่อพัฒนาท่อข้อมูลและค่าก่อนหน้าของโมเดลที่ปรับแต่งเฉพาะ embodiment ในฐานะพันธมิตรด้านข้อมูลจำลองรายแรกของ Booster Robotics Axis ได้สร้างพื้นที่ทำงานจริงของ Booster ขึ้นใหม่เป็นดิจิทัลทวินที่สอดคล้องกับภารกิจ ให้ผู้มีส่วนร่วมแบบกระจายรวบรวมตอนจำลองมากกว่า 42,000 ตอน และกลั่นเป็นค่าก่อนหน้าของโมเดลเฉพาะ Booster ด้วยการสาธิตหุ่นยนต์จริงเพียง 30 ครั้ง ค่าก่อนหน้านั้นประสบความสำเร็จ 87.5% เทียบกับ 37.5% สำหรับ π0.5 ทั่วไป ซึ่งเทียบเท่ากับ π0.5 โดยใช้การสาธิตโลกจริงครึ่งหนึ่ง พันธมิตรอื่นๆ รวมถึงบริษัท embodiment (Feagine Robotics) บริษัทโมเดล (Manycore Tech, Dexmal) และบริษัทระบบอัตโนมัติทางอุตสาหกรรม (Lotus Cars, Geely Auto) Axis ยังจัดหาเครือข่ายหุ่นยนต์บนเชน เช่น BitRobot บน Solana และ OpenRoboto บน Bittensor

การนิยามใหม่ของรากฐานข้อมูล Physical AI

“อนาคตของ Physical AI ไม่ใช่ชุดข้อมูลคงที่ที่คุณดาวน์โหลดครั้งเดียว” Chris Feng ผู้ก่อตั้ง Axis Robotics กล่าว “มันคือเอ็นจิ้นที่ผลิตข้อมูลที่โมเดลต้องการต่อไปอย่างต่อเนื่อง ขนาดทำให้คุณได้การครอบคลุมที่กว้าง ความหลากหลายทำให้สัญญาณรบกวนไม่มีอคติ วงปิดเปลี่ยนทุกความล้มเหลวให้เป็นความก้าวหน้า นั่นคือสิ่งที่ทบต้น”

Axis ก่อตั้งโดยนักวิจัยจาก UC Berkeley, CMU, Georgia Tech และ SJTU รวมถึงผู้ก่อตั้งต่อเนื่องที่ขยายแพลตฟอร์มผู้บริโภคไปยังผู้ใช้มากกว่า 30 ล้านคน งานวิจัยของบริษัทได้รับคำแนะนำจาก Jiachen Li ผู้ช่วยศาสตราจารย์ที่ Georgia Tech

เอกสารนี้สามารถดูได้ที่ https://arxiv.org/abs/2607.21588

หน้าโครงการอยู่ที่ https://axisaiorg.github.io/AXIS-V1/

ชุดข้อมูลอยู่ที่ https://huggingface.co/datasets/axisrobotics/Franka-Dataset

โค้ดเบสบน GitHub อยู่ที่ https://github.com/AxisAIOrg/Axis-V1-Training