Axis Robotics ha rilasciato Axis Sim Dataset V1, uno dei più grandi dataset open source di simulazione per la manipolazione con bracci Franka, con dataset completo, codice di addestramento e benchmark disponibili al pubblico. V1 è stato realizzato a partire da oltre 50.000 traiettorie di simulazione controllate a distanza da esseri umani, relative a 207 attività di manipolazione e a oltre 60.000 varianti di scena, su un braccio Franka Research 3 simulato.
Il dataset ha superato i 160.000 download, diventando il dataset open source di simulazione per la manipolazione con Franka più scaricato su Hugging Face. Nei benchmark, il preaddestramento continuo su V1 ha migliorato π0.5 e superato una baseline RoboCasa con un volume di dati equivalente; tutti i risultati sono aperti e verificabili.
Axis Robotics sta sviluppando il motore di generazione dati a crescita cumulativa definitivo per l’IA fisica: un sistema verticalmente integrato che comprende simulazioni su larga scala, acquisizione di dati reali in prima persona, locomozione e manipolazione di robot umanoidi e post-addestramento DAgger con supervisione umana. L’azienda ha raccolto 12 milioni di dollari in un round seed guidato da Hack VC, con la partecipazione di Nomad Capital, Pi Network Ventures, 10K Ventures e investitori angel.
Una scommessa contro i «soli dati puliti»
Un presupposto comune nella robotica è che le dimostrazioni debbano essere quasi ottimali fin dall’inizio: selezionare solo le traiettorie degli esperti, standardizzare la configurazione ed eliminare tutto ciò che è rumoroso prima di poterlo imitare in sicurezza. La tesi di Axis va nella direzione opposta: la qualità dei dati si misura a livello di distribuzione, non di singola traiettoria. Quando una comunità abbastanza ampia e diversificata produce traiettorie rumorose e subottimali, e gli errori non sono correlati, il rumore si annulla e durante l’addestramento si conserva una policy funzionante.
Axis Sim Dataset V1 mette alla prova pubblicamente questa tesi. Le sue traiettorie spaziano dalla presa e dal posizionamento all’impilamento, al versamento, alla manipolazione di oggetti articolati e all’uso di utensili. Sono state raccolte tramite Axis Hub, la piattaforma di teleoperazione di Axis basata su browser, da una comunità distribuita anziché da un singolo team di esperti. Il dataset è stato realizzato con ricercatori della UC Berkeley, della Johns Hopkins, dell’Università del Michigan e di altri istituti.
Risultati che scalano
Su LIBERO-Plus, il preaddestramento continuo su V1 porta il tasso di successo di π0.5 dall’83,9% all’88,8% e supera di 37,3% una baseline RoboCasa365 con volume di dati equivalente. Le prestazioni migliorano costantemente man mano che i dati di preaddestramento passano dal 25% al 100% del dataset, senza alcun segno di saturazione: una prova che i miglioramenti derivano dalla diversità e dall’ampiezza della copertura, non da un incremento occasionale. I miglioramenti maggiori si osservano in presenza di perturbazioni della telecamera, del rumore dei sensori e della disposizione degli elementi, proprio gli assi che Axis randomizza durante la generazione.
Il team afferma che la V2 è già in fase di sviluppo e punta a raggiungere 1,2 milioni di traiettorie su 1.200 task, con generalizzazione tra embodiment e risultati ottenuti su più modelli VLA che dimostrano come dati di simulazione subottimali possano addestrare policy robuste.
Il motore dietro il dataset
Il dataset è uno dei risultati di un motore di raccolta dati più ampio, in continua evoluzione. A differenza di un fornitore tradizionale di dati, che raccoglie dati secondo specifiche fisse e poi si ferma, Axis usa le prestazioni del modello e i casi di errore per decidere cosa raccogliere in seguito, così ogni ciclo di addestramento informa quello successivo. Il motore si basa su una strategia ibrida articolata in quattro linee di raccolta dati, e ora tutte e quattro operano su larga scala:
- Simulazione: oltre 200.000 collaboratori distribuiti su Axis Hub, una delle prime 3 dApp su Base, che producono oltre 4,7 milioni di traiettorie su 13 embodiment.
- Egocentrica: una rete gestita di oltre 1.000 raccoglitori a tempo pieno, formati nel controllo qualità, che acquisiscono attività in prima persona in abitazioni e aziende reali in 14 settori: sono già state accumulate oltre 200.000 ore, con un incremento di oltre 4.000 ore al giorno, e pose delle mani verificate con Vicon.
- Locomozione e manipolazione: oltre 500 ore che combinano mobilità e destrezza su umanoidi reali (Unitree G1, Booster T2), tramite teleoperazione indipendente dall’hardware.
- Post-addestramento DAgger con supervisione umana: oltre 500 ore di correzioni con intervento umano mirate ai casi limite in fase di implementazione.
Ogni attività e traiettoria viene registrata on-chain su Base per garantirne la provenienza, e i collaboratori vengono ricompensati per la qualità verificata del loro lavoro.
Dai dati aperti all’implementazione commerciale
Oltre a rendere open source i dati di simulazione, Axis collabora direttamente con aziende di robotica specializzate nell’embodiment per realizzare pipeline di dati personalizzate e prior del modello specifici per ciascun embodiment.
In qualità di primo partner di Booster Robotics per i dati di simulazione, Axis ha ricreato lo spazio di lavoro reale di Booster come gemello digitale allineato alle attività, ha coinvolto collaboratori distribuiti nella raccolta di oltre 42.000 episodi di simulazione al suo interno e li ha distillati in un prior del modello specifico per Booster. Con appena 30 dimostrazioni con robot reali, quel prior ha raggiunto un tasso di successo dell’87,5%, contro il 37,5% di un π0.5 standard, eguagliando π0.5 con la metà delle dimostrazioni nel mondo reale.
Tra gli altri partner figurano aziende di robotica specializzate nell’embodiment (Feagine Robotics), aziende di modelli (Manycore Tech, Dexmal) e automazione industriale (Lotus Cars, Geely Auto). Axis fornisce anche reti di robotica on-chain: BitRobot su Solana e OpenRoboto su Bittensor.
Ridefinire le fondamenta dei dati per l’IA fisica
«Il futuro dell’IA fisica non è un dataset statico da scaricare una volta sola», ha dichiarato Chris Feng, fondatore di Axis Robotics. «È un motore che continua a generare i dati di cui il modello avrà bisogno. La scala garantisce un’ampia copertura. La diversità mantiene i dati imparziali. Il ciclo chiuso trasforma ogni fallimento in un progresso. È così che i risultati si moltiplicano.»
Axis è stata fondata da ricercatori di UC Berkeley, CMU, Georgia Tech e SJTU, insieme a imprenditori seriali che hanno portato piattaforme consumer a superare i 30 milioni di utenti. Jiachen Li, professore associato alla Georgia Tech, fornisce consulenza sulla ricerca.
Link al paper:
Pagina del progetto:
Link al dataset:
Repository GitHub:
Fonte: BeInCrypto
