Axis Robotics, Franka robot kol manipülasyonu için bugüne kadarki en büyük açık kaynak simülasyon veri setlerinden biri olan Axis Sim Dataset V1’i yayımladı. Tüm veri seti, eğitim kodları ve kıyaslama (benchmark) sonuçları kamuya açık olarak erişilebilir durumda. V1, simüle edilmiş Franka Research 3 kolu üzerinde 207 farklı manipülasyon görevi ve 60 bini aşkın sahne varyantında, insan teleoperasyonu ile kaydedilmiş 50 binden fazla simülasyon yörüngesinden (trajectory) oluşuyor.
Söz konusu veri seti, 160 bini aşan indirme sayısıyla Hugging Face üzerinde açık kaynak Franka manipülasyon simülasyonları kategorisinde en çok indirilen veri seti konumuna geldi. Yapılan kıyaslamalarda, V1 üzerinde kesintisiz ön eğitim (continual pretraining), π0.5 performansını yukarı taşıdı ve hacim olarak eşleştirilmiş RoboCasa taban çizgisini geride bıraktı. Tüm sonuçlar açık ve doğrulanabilir şekilde paylaşılmış durumda.
Şirket, Fiziksel Yapay Zekâ için uçtan uca, bileşik getirili (compounding) bir veri motoru inşa ediyor: büyük ölçekli simülasyon, ego-merkezli gerçek dünya veri toplama, insansı robotlarda yürüme-manipülasyon (loco-manipulation) ve insan onaylı DAgger sonrası eğitim aynı dikeyde entegre edilmiş durumda. Axis Robotics, Hack VC liderliğinde, Nomad Capital, Pi Network Ventures, 10K Ventures ve melek yatırımcıların katılımıyla 12 milyon dolar tohum yatırım aldı.
“Sadece Temiz Veri” Varsayımına Karşı Bir Bahis
Robotik alanında hâkim varsayımlardan biri, öğrenmeye temel olacak gösterimlerin baştan itibaren neredeyse optimal olması gerektiği: sadece uzman yörüngeleri filtrelemek, kurulumları standartlaştırmak ve taklit öğrenmesini “güvenli” hâle getirmek için gürültülü veriyi elemeye dayanan bir yaklaşım. Axis’in tezi ise ters yönde: veri kalitesinin tekil yörüngeden değil, dağılımdan (distribution) kaynaklandığı. Yeterince büyük ve çeşitli bir kitle gürültülü, optimal olmayan yörüngeler ürettiğinde ve bu hatalar birbirleriyle korele olmadığında, gürültü istatistiksel olarak ortadan kalkıyor ve eğitim sürecinde işe yarar bir politika ayakta kalıyor.
Axis Sim Dataset V1, bu tezi kamusal bir teste tabi tutuyor. Veri setindeki yörüngeler; alma-bırakma (pick-and-place), istifleme, dökme, mafsallı nesne (articulated object) manipülasyonu ve alet kullanımı gibi geniş bir görev yelpazesini kapsıyor. Tüm veriler, tek bir uzman ekip yerine, Axis’in tarayıcı tabanlı teleoperasyon platformu Axis Hub üzerinden dağınık bir kitle tarafından toplandı. Veri seti, UC Berkeley, Johns Hopkins, Michigan Üniversitesi ve diğer kurumlardan araştırmacılarla birlikte inşa edildi.
Ölçekle Gelen Sonuçlar
LIBERO-Plus kıyaslamalarında, V1 üzerinde kesintisiz ön eğitim, π0.5 başarısını %83,9’dan %88,8’e çıkarıyor ve hacim olarak eşleştirilmiş RoboCasa365 taban çizgisini %37,3’lük farkla geride bırakıyor. Eğitim öncesi veri miktarı, veri setinin %25’inden %100’üne ölçeklendikçe performans düzenli biçimde artıyor; doygunluk işareti görünmüyor. Bu da kazanımların “tek seferlik” bir sıçramadan ziyade, veri çeşitliliği ve kapsama alanından kaynaklandığına işaret ediyor. En büyük iyileşmeler, kamera açıları, sensör gürültüsü ve yerleşim (layout) bozulmalarında gözleniyor; bunlar, Axis’in veri üretimi sırasında sistematik olarak rastgeleleştirdiği eksenler.
Ekip, V2 sürümünün çalışmalarının başladığını ve veri setinin 1.200 görevde 1,2 milyon yörüngeye ölçekleneceğini belirtiyor. Çoklu bedenlenme (cross-embodiment) genellemesi ve farklı VLA modelleri üzerindeki sonuçlar, optimal olmayan simülasyon verisinin dahi sağlam politika modelleri eğitebildiğini gösteriyor.
Veri Setinin Arkasındaki Motor
V1, daha büyük ve aktif biçimde bileşikleşen bir veri motorunun yalnızca bir çıktısı. Geleneksel veri sağlayıcıları, sabit bir spesifikasyona göre veri toplar ve noktayı koyar. Axis ise model performansı ve başarısızlık vakalarını, bir sonraki turda hangi verinin toplanması gerektiğini belirlemek için kullanıyor; böylece her eğitim döngüsü, bir sonrakini besliyor. Bu motor, dört ana veri hattı üzerinde hibrit bir stratejiyle çalışıyor ve bu dört hattın tamamı artık ölçekli şekilde işletiliyor:
Simülasyon: Base üzerinde en çok kullanılan üç dApp’ten biri olan Axis Hub’da, 13 farklı bedenlenmede 4,7 milyonun üzerinde yörünge üreten 200 binden fazla dağıtık katılımcı.
Ego-merkezli veri: 14 sektöre yayılmış gerçek ev ve iş yerlerinde, birinci şahıs bakış açısından veri toplayan, kalite kontrol eğitimi almış 1.000’in üzerinde tam zamanlı toplayıcıdan oluşan yönetilen bir ağ. Halihazırda 200 bini aşkın saat veri kaydedilmiş durumda ve her gün 4.000 saatin üzerinde yeni içerik ekleniyor; el pozları Vicon sistemleriyle doğrulanıyor.
Yürüme-manipülasyon (loco-manipulation): Donanımdan bağımsız teleoperasyon yoluyla, gerçek insansı robotlar (Unitree G1, Booster T2) üzerinde hareket kabiliyeti ve el becerisini birleştiren 500 saati aşkın kayıt.
İnsan onaylı DAgger sonrası eğitim: Sahadaki “uç durumlar”a (edge case) odaklanan, insanın döngü içinde olduğu 500 saatin üzerinde düzeltme seansı.
Her görev ve yörünge, köken şeffaflığını sağlamak için Base üzerinde zincir üstünde kaydediliyor; katkıda bulunanlar ise doğrulanmış iş kalitesi üzerinden ödüllendiriliyor.
Açık Veriden Ticari Kullanıma
Axis, simülasyon verilerini açık kaynak yapmanın ötesinde, robot üreticileriyle doğrudan çalışarak bedenlenme-özel (embodiment-specific) veri boru hatları ve model öncülleri (model priors) inşa ediyor.
Booster Robotics’in ilk simülasyon veri ortağı olarak Axis, Booster’ın gerçek çalışma alanını görev odaklı bir dijital ikiz şeklinde yeniden inşa etti, bu ortamda dağıtık katılımcılar aracılığıyla 42 bini aşkın simülasyon bölümü topladı ve bunları Booster’a özgü bir model öncülüne damıttı. Sadece 30 gerçek robot demosuyla bu öncül, hazır gelen bir π0.5 modelinin %37,5’lik başarısına karşılık %87,5’lik başarı oranına ulaştı; böylece gerçek dünya demolarının yarısıyla π0.5 seviyesini yakalamış oldu.
Diğer iş ortakları arasında bedenlenme odaklı şirketler (Feagine Robotics), model şirketleri (Manycore Tech, Dexmal) ve endüstriyel otomasyon oyuncuları (Lotus Cars, Geely Auto) yer alıyor. Axis, aynı zamanda zincir üstü robotik ağlara da veri sağlıyor: Solana üzerindeki BitRobot ve Bittensor üzerindeki OpenRoboto bunlar arasında.
Fiziksel Yapay Zekânın Veri Tabanını Yeniden Tanımlamak
“Fiziksel Yapay Zekânın geleceği, bir kez indirip kenara koyacağınız statik bir veri seti değil,” diyor Axis Robotics’in kurucusu Chris Feng. “Modelin sıradaki ihtiyacını üretmeye devam eden bir motor. Ölçek size geniş kapsam sağlıyor. Çeşitlilik gürültünün tarafsız kalmasını garantiliyor. Kapalı döngü ise her başarısızlığı ilerlemeye çeviriyor. Bileşikleşen şey bu.”
Axis, UC Berkeley, CMU, Georgia Tech ve SJTU’dan araştırmacılar ile 30 milyonun üzerinde kullanıcıya ulaşmış tüketici internet platformlarını ölçeklemiş seri girişimciler tarafından kuruldu. Şirketin araştırma faaliyetlerine Georgia Tech’ten Yardımcı Doçent Jiachen Li danışmanlık yapıyor.
Makale bağlantısı: https://arxiv.org/abs/2607.21588
Proje sayfası: https://axisaiorg.github.io/AXIS-V1/
Veri seti bağlantısı: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
Github kod deposu: https://github.com/AxisAIOrg/Axis-V1-Training