Axis Robotics disponibiliza em código aberto um dos maiores conjuntos de dados de simulação de braços Franka para IA física
A Axis Robotics lançou o Axis Sim Dataset V1, um dos maiores conjuntos de dados de simulação de código aberto para manipulação com braços Franka, com o conjunto de dados completo, o código de treinamento e os benchmarks disponíveis publicamente. O V1 foi criado a partir de mais de 50.000 trajetórias de simulação teleoperadas por humanos, abrangendo 207 tarefas de manipulação e mais de 60.000 variantes de cena em um braço Franka Research 3 simulado.
Este conjunto de dados teve mais de 160.000 downloads, tornando-se o conjunto de dados de simulação de código aberto para manipulação com Franka mais baixado no Hugging Face. Nos benchmarks, o pré-treinamento contínuo com o V1 melhorou o desempenho do π0.5 e superou uma referência do RoboCasa com volume equivalente, com todos os resultados abertos e verificáveis.
A Axis Robotics está construindo o mecanismo definitivo de geração de dados com efeitos cumulativos para IA Física: um sistema verticalmente integrado que abrange simulação em larga escala, captura egocêntrica no mundo real, locomoção e manipulação humanoides e pós-treinamento DAgger com validação humana. A empresa captou US$ 12 milhões em uma rodada seed liderada pela Hack VC, com participação da Nomad Capital, Pi Network Ventures, 10K Ventures e investidores-anjo.
Uma aposta contra “apenas dados limpos”
Uma suposição comum em robótica é que as demonstrações precisam ser quase ótimas desde o início — filtrar as trajetórias até restarem apenas as de especialistas, padronizar a configuração e descartar tudo o que tiver ruído antes que seja seguro imitar. A tese da Axis segue na direção oposta: a qualidade dos dados está na distribuição, não em uma única trajetória. Quando um grupo suficientemente grande e diverso produz trajetórias ruidosas e abaixo do ideal, e seus erros não são correlacionados, o ruído se compensa e uma política funcional sobrevive ao treinamento.
O Axis Sim Dataset V1 põe essa tese à prova publicamente. Suas trajetórias abrangem tarefas de pegar e colocar, empilhar, despejar, manipular objetos articulados e usar ferramentas. Todas foram coletadas por meio do Axis Hub, a plataforma de teleoperação da Axis baseada no navegador, por um grupo distribuído de pessoas, e não por uma única equipe de especialistas. O conjunto de dados foi desenvolvido com pesquisadores da UC Berkeley, da Johns Hopkins, da Universidade de Michigan e de outras instituições.
Resultados em escala
No LIBERO-Plus, o pré-treinamento contínuo com o V1 eleva o sucesso do π0.5 de 83,9% para 88,8% e supera em 37,3% uma linha de base do RoboCasa365 com volume equivalente. O desempenho melhora de forma consistente à medida que os dados de pré-treinamento aumentam de 25% para 100% do conjunto de dados, sem sinais de saturação — uma evidência de que os ganhos vêm da diversidade e da abrangência, e não de um aumento pontual. As maiores melhorias aparecem diante de perturbações na câmera, de ruído nos sensores e na disposição do ambiente — exatamente os fatores que a Axis randomiza durante a geração.
A equipe afirma que a V2 já está em desenvolvimento, com expansão para 1,2 milhão de trajetórias em 1.200 tarefas, generalização entre diferentes embodiments e resultados em vários modelos VLA que mostram que dados de simulação subótimos treinam políticas robustas.
O motor por trás do conjunto de dados
O conjunto de dados é um dos resultados de um mecanismo de dados maior, que se fortalece continuamente. Ao contrário de um fornecedor tradicional de dados, que coleta conforme uma especificação fixa e para por aí, a Axis usa o desempenho dos modelos e os casos de falha para determinar o que deve ser coletado em seguida, fazendo com que cada rodada de treinamento oriente a próxima. Esse mecanismo opera com uma estratégia híbrida em quatro frentes de dados, e todas já funcionam em escala:
- Simulação: mais de 200.000 colaboradores distribuídos no Axis Hub, um dos três principais dApps da Base, produzindo mais de 4,7 milhões de trajetórias em 13 embodiments.
- Egocêntrico: uma rede gerenciada de mais de 1.000 coletores em tempo integral, treinados em controle de qualidade, que registram atividades em primeira pessoa em residências e empresas reais de 14 setores: mais de 200.000 horas já acumuladas, com crescimento de mais de 4.000 horas por dia, e pose das mãos verificada por Vicon.
- Locomoção e manipulação: mais de 500 horas combinando mobilidade e destreza em humanoides reais (Unitree G1, Booster T2), por meio de teleoperação independente de hardware.
- Pós-treinamento DAgger com supervisão humana: Mais de 500 horas de correções com intervenção humana, direcionadas a casos-limite de implantação.
Cada tarefa e trajetória é registrada on-chain na Base para garantir a procedência, e os colaboradores são recompensados pela qualidade verificada do trabalho.
De dados abertos à implantação comercial
Além de disponibilizar dados de simulação em código aberto, a Axis trabalha diretamente com empresas de plataformas robóticas para criar pipelines de dados personalizados e priors de modelo específicos para cada configuração robótica.
Como primeiro parceiro da Booster Robotics em dados de simulação, a Axis recriou o espaço de trabalho real da Booster como um gêmeo digital alinhado às tarefas, mobilizou colaboradores distribuídos para coletar mais de 42.000 episódios de simulação nesse ambiente e destilou esses dados em um prior de modelo específico para a Booster. Com apenas 30 demonstrações com robôs reais, esse prior alcançou 87,5% de sucesso, contra 37,5% do π0.5 pronto para uso, igualando o desempenho do π0.5 com metade das demonstrações no mundo real.
Outros parceiros incluem empresas de plataformas robóticas (Feagine Robotics), empresas de modelos (Manycore Tech, Dexmal) e automação industrial (Lotus Cars, Geely Auto). A Axis também fornece redes de robótica on-chain: BitRobot na Solana e OpenRoboto na Bittensor.
Redefinindo a base de dados da IA Física
“O futuro da IA Física não é um conjunto de dados estático que você baixa uma vez”, disse Chris Feng, fundador da Axis Robotics. “É um mecanismo que continua produzindo os dados de que o modelo precisa em seguida. A escala proporciona ampla cobertura. A diversidade evita vieses no ruído. O ciclo fechado transforma cada falha em progresso. É assim que o efeito se acumula.”
A Axis foi fundada por pesquisadores da UC Berkeley, da CMU, da Georgia Tech e da SJTU, junto com empreendedores em série que escalaram plataformas de consumo para mais de 30 milhões de usuários. Sua pesquisa conta com a orientação de Jiachen Li, professor assistente na Georgia Tech.
Link do artigo:
Página do projeto:
Link do conjunto de dados:
Código-fonte no GitHub:
Fonte: BeInCrypto