Axis Robotics udostępniło publicznie Axis Sim Dataset V1 – jeden z największych otwartoźródłowych zbiorów symulacyjnych do zadań manipulacji ramieniem Franka. Pełny zestaw danych, kod treningowy oraz benchmarki są dostępne dla społeczności badawczej. V1 powstał z ponad 50 000 trajektorii symulacyjnych sterowanych zdalnie przez ludzi, obejmujących 207 zadań manipulacyjnych i ponad 60 000 wariantów scen, z wykorzystaniem symulowanego ramienia Franka Research 3.
Zestaw danych zanotował ponad 160 000 pobrań, co czyni go najczęściej pobieranym otwartym datasetem do symulacji manipulacji ramieniem Franka na platformie Hugging Face. W testach ciągłe pretrenowanie na V1 podniosło skuteczność polityki π0.5 i przewyższyło objętościowo dopasowaną bazę odniesienia RoboCasa, przy pełnej otwartości i powtarzalności wszystkich wyników.
Axis Robotics buduje „silnik danych złożonych” dla Physical AI – pionowo zintegrowany system łączący masową symulację, egocentryczny obraz świata rzeczywistego, lokomocję i manipulację humanoidów oraz post‑trening DAgger z udziałem człowieka. Spółka pozyskała 12 mln USD rundy seed prowadzonej przez Hack VC, z udziałem Nomad Capital, Pi Network Ventures, 10K Ventures i inwestorów anielskich.
Zakład wbrew „tylko czystym danym”
W robotyce często zakłada się, że demonstracje muszą być od początku niemal optymalne – trzeba odfiltrować tylko trajektorie eksperckie, ustandaryzować środowisko i wyrzucić wszystko, co szumne, zanim da się to bezpiecznie naśladować. Teza Axis jest odwrotna: jakość danych jest własnością całej dystrybucji, a nie pojedynczej trajektorii. Jeśli wystarczająco duża i zróżnicowana grupa operatorów generuje hałaśliwe, suboptymalne trajektorie, a ich błędy są nieskorelowane, szum się uśrednia, a w treningu „przeżywa” stabilna polityka sterowania.
Axis Sim Dataset V1 wystawia tę tezę na publiczną próbę. Trajektorie obejmują zadania pick‑and‑place, układanie, nalewanie, manipulację obiektami przegubowymi oraz użycie narzędzi. Dane zebrano przez przeglądarkową platformę teleoperacji Axis Hub, z udziałem rozproszonej społeczności, a nie pojedynczego zespołu ekspertów. Dataset powstał we współpracy z badaczami z UC Berkeley, Johns Hopkins, University of Michigan i innych ośrodków akademickich.
Wyniki, które rosną ze skalą
W benchmarku LIBERO‑Plus ciągłe pretrenowanie na V1 podnosi skuteczność π0.5 z 83,9% do 88,8% i o 37,3% wyprzedza objętościowo dopasowaną bazę RoboCasa365. Wyniki rosną systematycznie, gdy skala danych pretreningowych zwiększa się z 25% do 100% zestawu, bez oznak nasycenia – sugerując, że przewaga wynika z różnorodności i pokrycia przestrzeni zadań, a nie z jednorazowego efektu. Największe poprawy widać przy zakłóceniach obrazu z kamer, szumie sensorów i zmianach układu sceny – dokładnie w tych wymiarach, które Axis losowo modyfikuje podczas generowania danych.
Zespół zapowiada, że V2 jest już w przygotowaniu: ma objąć 1,2 mln trajektorii w 1 200 zadaniach, z uogólnianiem między różnymi „ciałami” robotów i wynikami na wielu modelach VLA, potwierdzającymi, że suboptymalne dane symulacyjne potrafią wytrenować odporne polityki.
Silnik stojący za zestawem danych
Dataset jest jednym z rezultatów większego, stale „procentującego” silnika danych. Tradycyjny dostawca danych zbiera je raz według z góry zadanej specyfikacji i na tym kończy. Axis wykorzystuje natomiast wyniki modeli i przypadki porażek do planowania kolejnej rundy zbierania – każdy cykl treningu informuje następny. Silnik działa w modelu hybrydowym, obejmującym cztery linie danych, z których każda pracuje już w skali:
Symulacja: ponad 200 000 rozproszonych kontrybutorów na Axis Hub – jednej z trzech największych dApps na Base – wygenerowało ponad 4,7 mln trajektorii dla 13 typów robotów.
Egocentryczne dane wideo: zarządzona sieć ponad 1 000 pełnoetatowych, przeszkolonych pod kątem kontroli jakości zbieraczy rejestruje pierwszoosobowe aktywności w realnych domach i firmach w 14 branżach. Zebrano już ponad 200 000 godzin materiału, a pula rośnie o ponad 4 000 godzin dziennie, z pozycją dłoni weryfikowaną systemem Vicon.
Loco‑manipulacja: ponad 500 godzin danych łączących mobilność i zręczną manipulację na realnych humanoidach (Unitree G1, Booster T2), sterowanych sprzętowo‑agnostyczną teleoperacją.
Post‑trening DAgger z udziałem człowieka: ponad 500 godzin korekt w pętli z człowiekiem, ukierunkowanych na skrajne przypadki w realnych wdrożeniach.
Każde zadanie i każda trajektoria są zapisywane on‑chain w sieci Base na potrzeby poświadczenia pochodzenia, a kontrybutorzy są wynagradzani za zweryfikowaną jakość pracy.
Od otwartych danych do komercyjnych wdrożeń
Oprócz otwierania danych symulacyjnych Axis współpracuje bezpośrednio z producentami robotów, tworząc dedykowane, dostosowane do konkretnej platformy pipeline’y danych i modele wstępne.
Jako pierwszy partner Booster Robotics w obszarze danych symulacyjnych Axis odtworzył rzeczywiste środowisko pracy Boosetra jako „digital twin” dopasowany do zadań, umożliwił rozproszonym operatorom zebranie ponad 42 000 epizodów symulacyjnych i zdestylował je do modelu wstępnego specyficznego dla Boosetra. Zaledwie 30 demonstracji na realnym robocie wystarczyło, by ten model osiągnął 87,5% skuteczności wobec 37,5% dla standardowej polityki π0.5, dorównując jej przy wykorzystaniu tylko połowy rzeczywistych demonstracji.
Wśród pozostałych partnerów są m.in. firmy budujące roboty (Feagine Robotics), twórcy modeli (Manycore Tech, Dexmal) oraz gracze z przemysłowej automatyzacji (Lotus Cars, Geely Auto). Axis dostarcza też dane sieciom robotycznym on‑chain: BitRobot na Solanie oraz OpenRoboto na Bittensor.
Nowa podstawa danych dla Physical AI
„Przyszłość Physical AI to nie jest statyczny zbiór danych, który pobierasz raz” – mówi Chris Feng, założyciel Axis Robotics. – „To silnik, który nieprzerwanie generuje dokładnie takie dane, jakich model potrzebuje w kolejnej iteracji. Skala daje szerokie pokrycie. Różnorodność sprawia, że szum pozostaje niestronniczy. Domknięta pętla zamienia każdą porażkę w postęp. To właśnie się kapitalizuje”.
Axis założyli badacze z UC Berkeley, CMU, Georgia Tech i SJTU, a także seryjni przedsiębiorcy, którzy skalowali platformy konsumenckie do ponad 30 mln użytkowników. Doradcą naukowym projektu jest Jiachen Li, profesor nadzwyczajny na Georgia Tech.
Link do artykułu: https://arxiv.org/abs/2607.21588
Strona projektu: https://axisaiorg.github.io/AXIS-V1/
Link do zbioru danych: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
Repozytorium kodu na Githubie: https://github.com/AxisAIOrg/Axis-V1-Training