Axis Robotics công bố bộ dữ liệu mã nguồn mở về cánh tay Franka cho Physical AI

Axis Robotics đã công bố Axis Sim Dataset V1, một trong những bộ dữ liệu mô phỏng mã nguồn mở lớn nhất cho thao tác cánh tay Franka, cùng với toàn bộ bộ dữ liệu, mã huấn luyện và điểm chuẩn. V1 bao gồm hơn 50.000 quỹ đạo mô phỏng do con người vận hành từ xa, trải dài 207 nhiệm vụ thao tác và hơn 60.000 biến thể cảnh trên một cánh tay Franka Research 3 mô phỏng.

Bộ dữ liệu đã thu hút hơn 160.000 lượt tải xuống, trở thành bộ dữ liệu mô phỏng Franka mã nguồn mở được tải nhiều nhất trên Hugging Face. Trong các bài kiểm tra điểm chuẩn, việc tiền huấn luyện liên tục trên V1 đã cải thiện π0.5 và vượt qua một baseline RoboCasa có cùng khối lượng, với tất cả kết quả đều mở và có thể kiểm chứng.

Axis Robotics đang phát triển một công cụ dữ liệu tổng hợp cho Physical AI, một hệ thống tích hợp theo chiều dọc bao gồm mô phỏng quy mô lớn, thu thập thực tế từ góc nhìn thứ nhất, thao tác di chuyển hình người, và huấn luyện hậu DAgger có sự kiểm soát của con người. Công ty đã huy động được 12 triệu đô la trong vòng gọi vốn hạt giống, do Hack VC dẫn đầu, cùng với Nomad Capital, Pi Network Ventures, 10K Ventures và các nhà đầu tư thiên thần tham gia.

Cược Chống Lại “Chỉ Dữ Liệu Sạch”

Một quan điểm phổ biến trong robotics là các màn trình diễn nên gần như tối ưu, lọc ra các quỹ đạo chuyên gia và loại bỏ dữ liệu nhiễu. Luận điểm của Axis cho rằng điều ngược lại: chất lượng dữ liệu được xác định ở cấp độ phân phối, không phải từng quỹ đạo. Khi một đám đông lớn và đa dạng tạo ra các quỹ đạo nhiễu, không tối ưu với các lỗi không tương quan, nhiễu sẽ tự triệt tiêu và một chính sách hoạt động xuất hiện trong quá trình huấn luyện. Axis Sim Dataset V1 là một thử nghiệm công khai cho luận điểm đó. Các quỹ đạo bao gồm pick-and-place, xếp chồng, rót, thao tác vật thể có khớp nối và sử dụng công cụ, được thu thập qua nền tảng vận hành từ xa dựa trên trình duyệt của Axis, Axis Hub, bởi một đám đông phân tán. Bộ dữ liệu được phát triển cùng với các nhà nghiên cứu từ UC Berkeley, Johns Hopkins, Đại học Michigan và các tổ chức khác.

Kết Quả Mở Rộng Theo Quy Mô

Trên LIBERO-Plus, tiền huấn luyện liên tục sử dụng V1 đã tăng tỷ lệ thành công của π0.5 từ 83,9% lên 88,8% và vượt qua baseline RoboCasa365 có cùng khối lượng tới 37,3%. Hiệu suất tăng đều đặn khi dữ liệu tiền huấn luyện được mở rộng từ 25% đến 100% của bộ dữ liệu, không có dấu hiệu bão hòa, cho thấy lợi ích đến từ tính đa dạng và phạm vi bao phủ. Những cải thiện lớn nhất xảy ra dưới các biến động về camera, nhiễu cảm biến và bố cục, chính các trục mà Axis tạo ngẫu nhiên trong quá trình sinh dữ liệu. Nhóm nghiên cứu báo cáo rằng V2 đang được tiến hành, mở rộng lên 1,2 triệu quỹ đạo trên 1.200 nhiệm vụ, với khả năng tổng quát hóa đa hình thể và kết quả trên nhiều mô hình VLA cho thấy dữ liệu mô phỏng không tối ưu có thể huấn luyện các chính sách mạnh mẽ.

Công Cụ Đằng Sau Bộ Dữ Liệu

Bộ dữ liệu là một sản phẩm của một công cụ dữ liệu lớn hơn, liên tục tích lũy. Không giống như các nhà cung cấấp dữ liệu truyền thống thu thậptheo một thông số kỹ thuật cố định rồi dừng lại, Axis sử dụng hiệu suất mô hình và các trường hợp thất bại để hướng dẫn lần thu thập tiếp theo, do đó mỗi vòng huấn luyện cung cấắp thông tin cho vòng sau. Công cụ này hoạt động theo chiến lược kết hợp trên bốn dòng dữ liệu, tất cả hiện đang ở quy mô lớn:

• Mô phỏng: hơn 200.000 cộng tác viên phân tán trên Axis Hub, một dApp hàng đầu trên Base (top-3), tạo ra hơn 4,7 triệu quỹ đạo trên 13 hình thể.
• Góc nhìn thứ nhất: một mạng lưới quản lý gồm hơn 1.000 người thu thập toàn thời gian, được đào tạo QC, ghi lại hoạt động từ góc nhìn thứ nhất trong nhà và doanh nghiệp thực tế trên 14 ngành công nghiệp, với hơn 200.000 giờ đã được tích lũy và tăng thêm hơn 4.000 giờ mỗi ngày, được xác minh bằng tư thế tay Vicon.
• Thao tác di chuyển: hơn 500 giờ kết hợp di động và khéo léo trên các robot hình người thực tế như Unitree G1 và Booster T2 thông qua vận hành từ xa không phụ thuộc phần cứng.
• Huấn luyện hậu DAgger có sự kiểm soát của con người: hơn 500 giờ hiệu chỉnh có sự tham gia của con người, nhắm vào các trường hợp ngoại lệ khi triển khai.

Mọi nhiệm vụ và quỹ đạo được ghi lại trên chuỗi trên Base để truy xuất nguồn gốc, và cộng tác viên được thưởng dựa trên chất lượng công việc đã được xác minh.

Từ Dữ Liệu Mở Đến Triển Khai Thương Mại

Ngoài việc phát hành dữ liệu mô phỏng dưới dạng mã nguồn mở, Axis còn hợp tác trực tiếp với các công ty robot hình thể để phát triển các pipeline dữ liệu và các prior mô hình tùy chỉnh cho từng hình thể. Với tư cách là đối tác dữ liệu mô phỏng đầu tiên của Booster Robotics, Axis đã tái tạo không gian làm việc thực tế của Booster thành một bản sao kỹ thuật số phù hợp với nhiệm vụ, cho các cộng tác viên phân tán thu thập hơn 42.000 tập mô phỏng, và chưng cất chúng thành một prior mô hình dành riêng cho Booster. Chỉ với 30 màn trình diễn robot thực tế, prior đó đã đạt tỷ lệ thành công 87,5%, so với 37,5% của π0.5 có sẵn, ngang bằng với π0.5 khi chỉ sử dụng một nửa số màn trình diễn thực tế. Các đối tác khác bao gồm các công ty robot hình thể (Feagine Robotics), các công ty mô hình (Manycore Tech, Dexmal), và các công ty tự động hóa công nghiệp (Lotus Cars, Geely Auto). Axis cũng cung cấắp các mạng lưới robot trên chuỗi như BitRobot trên Solana và OpenRoboto trên Bittensor.

Định Nghĩa Lại Nền Tảng Dữ Liệu Của Physical AI

“Tương lai của Physical AI không phải là một bộ dữ liệu tĩnh bạn tải xuống một lần,” Chris Feng, người sáng lập Axis Robotics, cho biết. “Đó là một cỗ máy liên tục sản xuất dữ liệu mà mô hình cần tiếp theo. Quy mô mang lại phạm vi bao phủ rộng. Tính đa dạng giữ cho nhiễu không bị thiên lệch. Vòng lặp khép kín biến mọi thất bại thành tiến bộ. Đó là cách nó tích lũy.”

Axis được thành lập bởi các nhà nghiên cứu từ UC Berkeley, CMU, Georgia Tech và SJTU, cũng như các nhà sáng lập dày dạn kinh nghiệm đã mở rộng các nền tảng người tiêu dùng lên hơn 30 triệu người dùng. Nghiên cứu của hãng được cố vấn bởi Jiachen Li, trợ lý giáo sư tại Georgia Tech.

Bài báo có sẵn tại https://arxiv.org/abs/2607.21588.

Trang dự án tại https://axisaiorg.github.io/AXIS-V1/.

Bộ dữ liệu tại https://huggingface.co/datasets/axisrobotics/Franka-Dataset.

Mã nguồn GitHub tại https://github.com/AxisAIOrg/Axis-V1-Training.