كشفت شركة «أكسِس روبوتيكس» عن إصدار Axis Sim Dataset V1، التي تُعد من أكبر قواعد بيانات المحاكاة مفتوحة المصدر الخاصة بذراع فرانكا المخصّصة لمهام المناولة، مع إتاحة مجموعة البيانات كاملة، وكود التدريب، ومعايير الاختبار لجميع الباحثين. الإصدار V1 مبني على أكثر من 50 ألف مسار محاكاة يتم التحكم فيها عن بُعد بواسطة البشر، تغطي 207 مهمة من مهام المناولة و60 ألفاً من تنويعات المشاهد المختلفة على ذراع Franka Research 3 في بيئة افتراضية.
حققت هذه المجموعة أكثر من 160 ألف عملية تنزيل، لتصبح أكثر قواعد بيانات محاكاة فرانكا مفتوحة المصدر تحميلاً على منصة Hugging Face. وفي الاختبارات القياسية، أدى الاستمرار في التدريب المسبق على V1 إلى رفع أداء نموذج π0.5 وتجاوُز نموذج RoboCasa مماثل الحجم في البيانات، مع إتاحة جميع النتائج للتحقق العلني.
تبني «أكسِس روبوتيكس» ما تصفه بمحرك بيانات متراكم لذكاء الآلات المادي، وهو نظام متكامل رأسياً يجمع بين المحاكاة واسعة النطاق، والتقاط البيانات من منظور الشخص الأول في العالم الحقيقي، وحركة الروبوتات البشرية الشكل وقدرتها على المناولة، إضافة إلى تدريب DAgger لاحق مقيَّد بتدخّل بشري. وقد جمعت الشركة تمويلاً تأسيسياً بقيمة 12 مليون دولار بقيادة Hack VC، وبمشاركة Nomad Capital وPi Network Ventures و10K Ventures إلى جانب عدد من المستثمرين الملائكة.
رهان ضد «البيانات النظيفة فقط»
من الفرضيات الشائعة في الروبوتات أن العروض التوضيحية يجب أن تكون شبه مثالية منذ البداية: تصفية المسارات إلى ما ينجزه الخبراء فقط، وتوحيد بيئة التنفيذ، والتخلص من أي بيانات «مشوَّشة» قبل استخدامها في التعلم بالتقليد. أطروحة «أكسِس» تتجه في الاتجاه المعاكس: جودة البيانات تُقاس على مستوى التوزيع الإحصائي، لا على مستوى المسار الفردي. فعندما يقدّم جمهور كبير ومتنوّع مسارات مليئة بالضوضاء وبعيدة عن المثالية، بشرط أن تكون أخطاؤهم غير مترابطة، فإن الضوضاء تتلاشى إحصائياً أثناء التدريب وتبقى سياسة تحكم عملية وقابلة للتعميم.
مجموعة Axis Sim Dataset V1 تختبر هذه الأطروحة علناً. إذ تغطي مساراتها مهام الالتقاط والوضع، والتكديس، والسكب، والتعامل مع أجسام مفصلية، واستخدام الأدوات، جميعها جُمعت عبر منصة التحكم عن بُعد من المتصفح Axis Hub، بواسطة شبكة موزعة من المساهمين وليس فريق خبراء واحد. وقد بُنيت هذه المجموعة بالتعاون مع باحثين من جامعة كاليفورنيا في بيركلي، وجامعة جونز هوبكنز، وجامعة ميشيغان، ومؤسسات أكاديمية أخرى.
نتائج قابلة للتوسع
على معيار LIBERO-Plus، أدّى التدريب المسبق المتواصل على V1 إلى رفع معدل نجاح π0.5 من 83.9% إلى 88.8%، متفوقاً على خط أساس RoboCasa365 مماثل الحجم في البيانات بهامش 37.3%. وتتحسن النتائج بشكل متدرج كلما زاد حجم بيانات التدريب المسبق من 25% إلى 100% من حجم المجموعة، من دون مؤشرات على وصول الأداء إلى حالة تشبّع، في إشارة إلى أن المكاسب ناتجة عن التنوع والشمولية في البيانات، وليست قفزة موضعية مؤقتة. أكبر التحسينات تظهر في سيناريوهات تغيّر زوايا الكاميرا، وضوضاء الحساسات، وتبدّل تخطيطات البيئة، وهي بالضبط المحاور التي تعمد «أكسِس» إلى عشوَرتها في عملية توليد البيانات.
وتشير الشركة إلى أن العمل جارٍ بالفعل على الإصدار V2، الذي يُتوقع أن يتوسع إلى 1.2 مليون مسار عبر 1,200 مهمة، مع اختبار قابلية التعميم بين أشكال تجسيد روبوتية مختلفة ونتائج عبر عدة نماذج VLA، بما يدعم الفرضية القائلة إن بيانات المحاكاة «غير المثالية» قادرة على تدريب سياسات تحكم أكثر متانة.
المحرك وراء قاعدة البيانات
تمثل مجموعة البيانات الحالية مخرجاً واحداً لمحرك بيانات أكبر في حالة تراكم مستمر. ففي حين يجمع مزودو البيانات التقليديون وفق مواصفات ثابتة ثم يتوقفون، تعتمد «أكسِس» على أداء النماذج وحالات الفشل لتحديد ما يجب جمعه تالياً، بحيث تغذي كل دورة تدريبية دورة الجمع التالية. يعمل هذا المحرك وفق استراتيجية هجينة عبر أربع فئات بيانات رئيسية، وجميعها تعمل الآن على نطاق واسع:
• المحاكاة: أكثر من 200 ألف مساهم موزّع على منصة Axis Hub، المصنّفة ضمن أفضل ثلاث تطبيقات لا مركزية dApp على شبكة Base، ينتجون أكثر من 4.7 مليون مسار محاكاة عبر 13 شكلاً من أشكال التجسيد الروبوتي.
• البيانات من منظور الشخص الأول (Egocentric): شبكة مُدارة تضم أكثر من ألف جامع بيانات متفرّغ ومدرَّب على ضمان الجودة، توثّق أنشطة من منظور أول في منازل وأماكن عمل حقيقية عبر 14 قطاعاً صناعياً؛ أكثر من 200 ألف ساعة مسجّلة حتى الآن مع نمو يتجاوز 4,000 ساعة يومياً، مع وضعية يد موثّقة بنظام Vicon.
• الحركة والمناولة (Loco-manipulation): أكثر من 500 ساعة بيانات تجمع بين الحركة والتنقّل والمهارة اليدوية على روبوتات بشرية الشكل حقيقية (Unitree G1، Booster T2) من خلال تحكم عن بُعد غير معتمد على عتاد محدد.
• تدريب DAgger اللاحق بمشاركة بشرية: أكثر من 500 ساعة من التصحيح البشري التفاعلي تستهدف حالات الحافة في سيناريوهات النشر الفعلي.
يتم تسجيل كل مهمة وكل مسار على السلسلة (on-chain) على شبكة Base لضمان مصدرية البيانات، كما يُكافأ المساهمون بناءً على جودة عملهم التي يتم التحقق منها.
من البيانات المفتوحة إلى النشر التجاري
إلى جانب فتح بيانات المحاكاة، تعمل «أكسِس» مباشرة مع شركات تصنيع الروبوتات لتطوير خطوط بيانات مخصصة لكل نوع تجسيد، وبناء «نماذج أولية» (priors) مصممة لكل منصة.
فبصفتها الشريك الأول لشركة Booster Robotics في بيانات المحاكاة، أعادت «أكسِس» بناء بيئة العمل الواقعية الخاصة بـBooster كنسخة رقمية متطابقة مع المهام، ثم كلفت مساهمين موزعين بجمع أكثر من 42 ألف حلقة محاكاة ضمنها، ليتم تقطيرها في نموذج أولي خاص بـBooster. ومع 30 عرضاً فقط على روبوتات حقيقية، حقق هذا النموذج الأولي معدل نجاح بلغ 87.5% مقارنة بـ 37.5% لنموذج π0.5 الجاهز مباشرة، ليطابق أداء π0.5 باستخدام نصف عدد العروض الواقعية فقط.
وتشمل قائمة الشركاء شركات تجسيد روبوتي (Feagine Robotics)، وشركات نماذج (Manycore Tech، Dexmal) وشركات أتمتة صناعية (Lotus Cars، Geely Auto). كما تزود «أكسِس» شبكات روبوتات على السلسلة، من بينها BitRobot على Solana وOpenRoboto على Bittensor.
إعادة تعريف البنية التحتية لبيانات ذكاء الآلات المادي
قال كريس فينغ، مؤسس «أكسِس روبوتيكس»: «مستقبل ذكاء الآلات المادي ليس مجموعة بيانات ثابتة تقوم بتنزيلها مرة واحدة. بل هو محرك يواصل إنتاج البيانات التي يحتاجها النموذج بعد ذلك. الحجم يمنحك تغطية واسعة، والتنوع يبقي الضوضاء غير متحيزة، والحلقة المغلقة تحوّل كل فشل إلى تقدّم. هذا ما يصنع التراكم الفعلي في الأداء».
تأسست «أكسِس» على يد باحثين من جامعة كاليفورنيا في بيركلي، وجامعة كارنيغي ميلون (CMU)، ومعهد جورجيا التقني (Georgia Tech)، وجامعة شانغهاي جياو تونغ (SJTU)، إلى جانب روّاد أعمال متسلسلين سبق لهم بناء منصات استهلاكية تخدم أكثر من 30 مليون مستخدم. ويشرف على أبحاثها أكاديمياً البروفيسور جياشن لي، أستاذ مساعد في Georgia Tech.
رابط الورقة البحثية: https://arxiv.org/abs/2607.21588
صفحة المشروع: https://axisaiorg.github.io/AXIS-V1/
رابط مجموعة البيانات: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
مستودع الشيفرة على Github: https://github.com/AxisAIOrg/Axis-V1-Training