Axis Robotics เปิดตัว Axis Sim Dataset V1 หนึ่งในชุดข้อมูลจำลองการควบคุมแขนหุ่นยนต์ Franka แบบโอเพนซอร์สที่ใหญ่ที่สุดในปัจจุบัน โดยเปิดให้เข้าถึงครบชุดทั้งดาต้า ซอร์สโค้ดสำหรับเทรนโมเดล และชุดเบนช์มาร์กเพื่อการตรวจสอบผลอย่างโปร่งใส
V1 ถูกสร้างจากทราจектอรีจำลองที่ควบคุมโดยมนุษย์มากกว่า 50,000 เส้นทาง ครอบคลุม 207 งานด้าน manipulation และกว่า 60,000 เวอร์ชันของฉาก บนแขนหุ่นยนต์จำลอง Franka Research 3
ชุดข้อมูลนี้มียอดดาวน์โหลดสะสมเกิน 160,000 ครั้ง กลายเป็นชุดข้อมูลจำลองการควบคุมแขน Franka แบบโอเพนซอร์สที่ถูกดาวน์โหลดมากที่สุดบน Hugging Face ในการทดสอบเบนช์มาร์ก การพรีเทรนต่อเนื่องบน V1 ช่วยยกระดับประสิทธิภาพนโยบาย π0.5 และทำผลงานเหนือกว่าชุดฐาน RoboCasa ที่แมตช์ปริมาณดาต้า โดยทุกตัวเลขผลลัพธ์ถูกเปิดเผยและตรวจทานได้
Axis Robotics กำลังสร้าง “เครื่องยนต์ดาต้าแบบทบต้น” (compounding data engine) สำหรับ Physical AI ที่บูรณาการตั้งแต่ซิมูเลชันขนาดใหญ่ การเก็บดาต้าโลกจริงมุมมองบุคคลที่หนึ่ง (egocentric) การเดิน-หยิบจับของหุ่นยนต์ฮิวมานอยด์ และการโพสต์เทรนด้วยวิธี DAgger ที่มีมนุษย์เป็นตัวกรองขั้นสุดท้าย บริษัทระดมทุนซีดราวด์ได้ 12 ล้านดอลลาร์ นำโดย Hack VC ร่วมด้วย Nomad Capital, Pi Network Ventures, 10K Ventures และกลุ่มนักลงทุนรายบุคคล
การเดิมพันสวนกระแส “ดาต้าต้องสะอาดเท่านั้น”
ในโลกหุ่นยนต์ มักมีสมมติฐานว่าดาต้าสำหรับสอนโมเดลต้องใกล้เคียงคำตอบเหมาะที่สุดตั้งแต่ต้น — คัดเฉพาะทราจектอรีระดับผู้เชี่ยวชาญ มาตรฐานขั้นตอนการเก็บ และตัดสัญญาณรบกวนออกให้หมดก่อนเอาไปลอกเลียนแบบ
ทฤษฎีของ Axis กลับมองตรงกันข้าม: คุณภาพดาต้าอยู่ที่ “การกระจายตัวทั้งชุด” ไม่ใช่ทราจектอรีเดี่ยว ๆ เมื่อมีฝูงชนขนาดใหญ่และหลากหลายสร้างทราจектอรีที่มีความผิดพลาดและไม่เหมาะที่สุด แต่ความผิดพลาดเหล่านั้นไม่สัมพันธ์กัน (uncorrelated) สัญญาณรบกวนจะถูกเฉลี่ยหายไป และนโยบายที่ทำงานได้จริงจะรอดผ่านการเทรน
Axis Sim Dataset V1 คือการเปิดทดสอบทฤษฎีนี้ต่อสาธารณะ ทราจектอรีในชุดครอบคลุมงาน pick-and-place การซ้อนวัตถุ การเทของเหลว การควบคุมวัตถุที่มีข้อต่อ และการใช้เครื่องมือ ดาต้าทั้งหมดเก็บผ่านแพลตฟอร์มเทเลโอเปอเรชันบนเบราว์เซอร์ Axis Hub โดยฝูงชนกระจายทั่วโลก ไม่ใช่ทีมผู้เชี่ยวชาญทีมเดียว ชุดข้อมูลนี้พัฒนาร่วมกับนักวิจัยจาก UC Berkeley, Johns Hopkins, University of Michigan และสถาบันอื่น ๆ
ผลลัพธ์ที่สเกลได้จริง
บนเบนช์มาร์ก LIBERO-Plus การพรีเทรนต่อเนื่องบน V1 ช่วยยกอัตราความสำเร็จของ π0.5 จาก 83.9% เป็น 88.8% และให้ผลลัพธ์ดีกว่าชุดฐาน RoboCasa365 ที่ใช้ปริมาณดาต้าเท่ากันถึง 37.3% ประสิทธิภาพเพิ่มขึ้นอย่างต่อเนื่องเมื่อขยายสเกลดาต้าพรีเทรนจาก 25% เป็น 100% ของชุด ไม่มีสัญญาณอิ่มตัว สะท้อนว่ากำไรส่วนเพิ่มมาจาก “ความหลากหลายและความครอบคลุม” ไม่ใช่เอฟเฟกต์เฉพาะจุด
การปรับปรุงที่โดดเด่นที่สุดเกิดภายใต้เงื่อนไขที่มีกล้อง เซนเซอร์ และเลย์เอาต์ฉากถูกรบกวน ซึ่งเป็นแกนหลักที่ Axis ทำ randomization ระหว่างสร้างดาต้า
ทีมงานระบุว่า V2 เริ่มพัฒนาแล้ว โดยจะขยายไปสู่ 1.2 ล้านทราจектอรี ครอบคลุม 1,200 งาน พร้อมทดสอบการ generalize ข้ามร่างหุ่นยนต์ (cross-embodiment) และผลลัพธ์บนโมเดล VLA หลายตัว เพื่อยืนยันว่าดาต้าจำลองที่ไม่เหมาะที่สุดก็สามารถฝึกนโยบายให้แข็งแรงได้
เครื่องยนต์เบื้องหลังชุดข้อมูล
ชุดข้อมูลนี้เป็นเพียงหนึ่งผลผลิตจาก “เครื่องยนต์ดาต้าแบบทบต้น” ขนาดใหญ่ ที่หมุนทำงานอย่างต่อเนื่อง ขณะที่ผู้ให้บริการดาต้าแบบเดิมมักเก็บดาต้าตามสเปกที่กำหนดแล้วหยุด Axis ใช้ประสิทธิภาพโมเดลและเคสที่ล้มเหลวเป็นตัวกำหนดว่าควรเก็บอะไรต่อไป ทำให้ทุกรอบการเทรนส่งสัญญาณกลับไปออกแบบรอบถัดไป
เครื่องยนต์นี้เดินด้วยกลยุทธ์ไฮบริด 4 สายดาต้าหลัก ซึ่งปัจจุบันเดินเครื่องที่สเกลจริงแล้วทั้งหมด:
Simulation: มี contributor กระจายทั่วโลกกว่า 200,000 รายบน Axis Hub ซึ่งเป็นหนึ่งใน dApp บน Base ที่มีการใช้งานสูงสุด 3 อันดับแรก สร้างทราจектอรีกว่า 4.7 ล้านเส้นทาง ครอบคลุมหุ่นยนต์ 13 รูปแบบ
Egocentric: เครือข่ายผู้เก็บดาต้าเต็มเวลาที่ผ่านการฝึก QC มากกว่า 1,000 คน บันทึกกิจกรรมมุมมองบุคคลที่หนึ่งในบ้านและธุรกิจจริง 14 อุตสาหกรรม เก็บแล้วกว่า 200,000 ชั่วโมง และเพิ่มมากกว่า 4,000 ชั่วโมงต่อวัน พร้อมข้อมูล hand pose ยืนยันด้วยระบบ Vicon
Loco-manipulation: มากกว่า 500 ชั่วโมงของดาต้าที่ผสมผสานการเคลื่อนที่และความคล่องแคล่วของหุ่นยนต์ฮิวมานอยด์จริง (เช่น Unitree G1, Booster T2) ผ่านเทเลโอเปอเรชันที่ไม่ผูกกับฮาร์ดแวร์ยี่ห้อใด
Human-gated DAgger post-training: มากกว่า 500 ชั่วโมงของการแก้ไขโดยมนุษย์ในลูป มุ่งเป้ากรณีใช้งานชายขอบ (edge cases) ก่อนนำไปดีพลอยจริง
ทุกงานและทุกทราจектอรีถูกบันทึกออนเชนบน Base เพื่อยืนยันที่มา (provenance) และ contributor ได้รับรางวัลตามคุณภาพงานที่ผ่านการตรวจสอบ
จากโอเพนดาต้าสู่การดีพลอยเชิงพาณิชย์
นอกเหนือจากการโอเพนซอร์สดาต้าจำลอง Axis ยังทำงานโดยตรงกับบริษัทหุ่นยนต์หลากหลายรูปแบบ (embodiment) เพื่อสร้าง data pipeline เฉพาะทางและ model prior ที่ออกแบบให้เข้ากับฮาร์ดแวร์แต่ละประเภท
ในฐานะพาร์ตเนอร์ด้าน sim-data รายแรกของ Booster Robotics Axis จำลองสภาพการทำงานจริงของ Booster เป็น digital twin ที่ผูกกับงาน (task-aligned) แล้วเปิดให้ contributor กระจายทั่วโลกเก็บเอพิโสดจำลองกว่า 42,000 ชุด ก่อนกลั่นออกมาเป็น model prior เฉพาะของ Booster เมื่อใช้เพียง 30 เดโมบนหุ่นยนต์จริง prior นี้ทำอัตราความสำเร็จได้ 87.5% เทียบกับ 37.5% ของ π0.5 แบบสำเร็จรูป เท่ากับจับคู่ผลงานของ π0.5 ด้วยเดโมโลกจริงเพียงครึ่งเดียว
พาร์ตเนอร์รายอื่นครอบคลุมบริษัทหุ่นยนต์ (เช่น Feagine Robotics) บริษัทโมเดล (Manycore Tech, Dexmal) และออโตเมชันอุตสาหกรรม (Lotus Cars, Geely Auto) Axis ยังเป็นผู้จัดหาดาต้าให้เครือข่ายหุ่นยนต์ออนเชน เช่น BitRobot บน Solana และ OpenRoboto บน Bittensor
วางฐานข้อมูลใหม่ให้ Physical AI
“อนาคตของ Physical AI ไม่ใช่ชุดดาต้าคงที่ที่โหลดมาครั้งเดียวแล้วจบ” Chris Feng ผู้ก่อตั้ง Axis Robotics กล่าว “มันคือเครื่องยนต์ที่ผลิตดาต้าชุดถัดไปที่โมเดลต้องการอยู่ตลอด สเกลทำให้คุณครอบคลุมได้กว้าง ความหลากหลายทำให้ noise ไม่เอนเอียง วงปิดทำให้ทุกความล้มเหลวกลายเป็นความก้าวหน้า นั่นคือสิ่งที่ทบต้น”
Axis ก่อตั้งโดยนักวิจัยจาก UC Berkeley, CMU, Georgia Tech และ SJTU ร่วมกับผู้ประกอบการซีเรียลที่เคยสเกลแพลตฟอร์มผู้บริโภคสู่ฐานผู้ใช้มากกว่า 30 ล้านคน งานวิจัยของบริษัทมี Jiachen Li ผู้ช่วยศาสตราจารย์จาก Georgia Tech เป็นที่ปรึกษา
ลิงก์งานวิจัย: https://arxiv.org/abs/2607.21588
หน้าโปรเจกต์: https://axisaiorg.github.io/AXIS-V1/
ลิงก์ชุดข้อมูล: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
ซอร์สโค้ดบน Github: https://github.com/AxisAIOrg/Axis-V1-Training