Axis Robotics veröffentlicht einen der größten Simulationsdatensätze für Franka-Roboterarme als Open Source

Axis Robotics hat Axis Sim Dataset V1 veröffentlicht, einen der größten Open-Source-Simulationsdatensätze für die Manipulation mit dem Franka-Arm. Der vollständige Datensatz, der Trainingscode und die Benchmarks sind öffentlich verfügbar. V1 basiert auf mehr als 50.000 von Menschen teleoperierten Simulations-Trajektorien aus 207 Manipulationsaufgaben und über 60.000 Szenenvarianten auf einem simulierten Franka Research 3.

Der Datensatz wurde über 160.000 Mal heruntergeladen und ist damit der meistgeladene Open-Source-Simulationsdatensatz für Franka-Manipulation auf Hugging Face. In Benchmarks verbesserte kontinuierliches Pretraining mit V1 π0.5 und übertraf eine RoboCasa-Baseline mit vergleichbarem Datenumfang. Alle Ergebnisse sind offen und überprüfbar.

Axis Robotics entwickelt die ultimative, sich selbst verstärkende Daten-Engine für Physical AI: ein vertikal integriertes System, das groß angelegte Simulationen, egocentrische Aufnahmen aus der realen Welt, humanoide Lokomotion und Manipulation sowie DAgger-Post-Training mit menschlicher Freigabe umfasst. Das Unternehmen hat in einer Seed-Finanzierungsrunde unter der Führung von Hack VC 12 Millionen US-Dollar aufgenommen. Beteiligt waren außerdem Nomad Capital, Pi Network Ventures, 10K Ventures und Angel-Investoren.

Eine Wette gegen „nur saubere Daten“

Eine verbreitete Annahme in der Robotik lautet, dass Demonstrationen von Anfang an nahezu optimal sein müssen: Man beschränkt sich auf Experten-Trajektorien, standardisiert den Aufbau und verwirft alles Rauschen, bevor es sicher nachgeahmt werden kann. Axis vertritt die gegenteilige These: Die Datenqualität zeigt sich auf Verteilungsebene, nicht bei einer einzelnen Trajektorie. Wenn eine ausreichend große und vielfältige Gruppe verrauschte, suboptimale Trajektorien erzeugt und ihre Fehler unkorreliert sind, mittelt sich das Rauschen heraus, und während des Trainings bleibt eine funktionierende Policy erhalten.

Der Axis Sim Dataset V1 stellt diese These öffentlich auf die Probe. Seine Trajektorien umfassen Pick-and-Place-Aufgaben, Stapeln, Ausgießen, die Manipulation artikulierter Objekte und den Einsatz von Werkzeugen. Sie wurden alle über Axis’ browserbasierte Teleoperationsplattform Axis Hub von einer räumlich verteilten Gruppe statt von einem einzelnen Expertenteam erfasst. Der Datensatz entstand in Zusammenarbeit mit Forschenden der UC Berkeley, der Johns Hopkins University, der University of Michigan und weiteren Institutionen.

Skalierbare Ergebnisse

Bei LIBERO-Plus steigert kontinuierliches Vortraining mit V1 die Erfolgsrate von π0.5 von 83,9 % auf 88,8 % und übertrifft eine volumengleiche RoboCasa365-Baseline um 37,3 %. Die Leistung verbessert sich kontinuierlich, wenn die Vortrainingsdaten von 25 % auf 100 % des Datensatzes anwachsen – eine Sättigung ist nicht absehbar. Das zeigt, dass die Zugewinne auf Vielfalt und Abdeckung statt auf einen einmaligen Leistungssprung zurückzuführen sind. Die größten Verbesserungen zeigen sich bei Störungen der Kamera, des Sensorrauschens und des Layouts – genau jene Dimensionen, die Axis bei der Datengenerierung randomisiert.

Das Team sagt, dass V2 bereits in Arbeit ist und auf 1,2 Millionen Trajektorien über 1.200 Aufgaben skaliert wird. Die Generalisierung über verschiedene Embodiments hinweg und Ergebnisse mit mehreren VLA-Modellen zeigen, dass suboptimale Simulationsdaten robuste Policies trainieren.

Der Motor hinter dem Datensatz

Der Datensatz ist ein Ergebnis eines größeren, sich kontinuierlich weiterentwickelnden Datenmotors. Während ein herkömmlicher Datenanbieter Daten nach festen Vorgaben erhebt und dann aufhört, nutzt Axis die Modellleistung und Fehlerfälle, um zu bestimmen, welche Daten als Nächstes erhoben werden sollen – so fließt jede Trainingsrunde in die nächste ein. Dieser Motor basiert auf einer hybriden Strategie mit vier Datenbereichen, die inzwischen alle im großen Maßstab betrieben werden:

• Simulation: über 200.000 verteilte Mitwirkende auf Axis Hub, einer der drei führenden dApps auf Base, erstellen mehr als 4,7 Millionen Trajektorien über 13 Embodiments hinweg.
• Egocentrische Daten: ein betreutes Netzwerk aus über 1.000 Vollzeit-Datenerfassenden, die in Qualitätskontrolle geschult sind und Aktivitäten aus der Ich-Perspektive in echten Haushalten und Unternehmen aus 14 Branchen erfassen: Bereits über 200.000 Stunden sind gesammelt, täglich kommen mehr als 4.000 Stunden hinzu – mit von Vicon verifizierter Handpose.
• Lokomotion und Manipulation: über 500 Stunden, in denen Mobilität und Geschicklichkeit an echten humanoiden Robotern (Unitree G1, Booster T2) mithilfe hardwareunabhängiger Teleoperation kombiniert werden.
• Durch menschliche Aufsicht gesteuertes DAgger-Post-Training: Über 500 Stunden an Korrekturen mit menschlicher Beteiligung, gezielt für Grenzfälle beim Einsatz.

Jede Aufgabe und jede Trajektorie wird zur Nachverfolgbarkeit on-chain auf Base aufgezeichnet. Mitwirkende werden für nachweislich hochwertige Arbeit entlohnt.

Von Open Data zum kommerziellen Einsatz

Über die Bereitstellung von Simulationsdaten als Open Source hinaus arbeitet Axis direkt mit Unternehmen für Roboter-Embodiments zusammen, um maßgeschneiderte, auf das jeweilige Embodiment abgestimmte Datenpipelines und Modellpriors zu entwickeln.

Als erster Partner von Booster Robotics für Simulationsdaten bildete Axis Boosters reale Arbeitsumgebung als aufgabenorientierten digitalen Zwilling nach, ließ verteilte Mitwirkende darauf über 42.000 Simulationsdurchläufe sammeln und destillierte daraus einen speziell auf Booster zugeschnittenen Modellprior. Mit nur 30 Demos am realen Roboter erreichte dieser Prior eine Erfolgsquote von 87,5 % gegenüber 37,5 % bei einer π0.5-Version von der Stange und kam damit mit halb so vielen Demonstrationen in der realen Welt auf das Niveau von π0.5.

Zu den weiteren Partnern zählen Unternehmen für Roboter-Embodiments (Feagine Robotics), KI-Modellunternehmen (Manycore Tech, Dexmal) und industrielle Automatisierung (Lotus Cars, Geely Auto). Axis beliefert außerdem On-Chain-Robotiknetzwerke: BitRobot auf Solana und OpenRoboto auf Bittensor.

Die Datengrundlage für Physical AI neu definieren

„Die Zukunft von Physical AI ist kein statischer Datensatz, den man einmal herunterlädt“, sagte Chris Feng, Gründer von Axis Robotics. „Sie ist ein Motor, der ständig die Daten erzeugt, die das Modell als Nächstes braucht. Skalierung sorgt für eine breite Abdeckung. Vielfalt hält das Rauschen unverzerrt. Die geschlossene Feedbackschleife macht aus jedem Fehlschlag Fortschritt. Das ist es, was sich potenziert.“

Axis wurde von Forschenden der UC Berkeley, der CMU, der Georgia Tech und der SJTU sowie von erfahrenen Seriengründern gegründet, die Verbraucherplattformen auf über 30 Millionen Nutzer skaliert haben. Die Forschung wird von Jiachen Li, Assistant Professor an der Georgia Tech, beratend begleitet.

Link zum Paper:

Projektseite:

Link zum Datensatz:

GitHub-Codebasis:

Quelle: BeInCrypto