Axis Robotics hat eine der größten Open-Source-Sammlungen von Robotermanipulationsdaten überhaupt veröffentlicht und setzt darauf, dass Maßstab und Vielfalt – nicht kuratierte Perfektion – Maschinen tatsächlich beibringen, sich in der physischen Welt zu bewegen. Der neue Franka-Arm-Simulationsdatensatz des Unternehmens, genannt Axis Sim Dataset V1, wird mit vollständigem Trainingscode und öffentlich verfügbaren Benchmarks ausgeliefert und verändert bereits jetzt, wie Forschende über Trainingsdaten für das denken, was die Branche Physical AI nennt.
Inhalt
Wichtigste Erkenntnisse
- Axis Sim Dataset V1 enthält über 50.000 menschlich teleoperierte Trajektorien über 207 Manipulationsaufgaben und mehr als 60.000 Szenenvarianten auf einem simulierten Franka Research 3 Arm.
- Der Datensatz verzeichnete mehr als 160.000 Downloads auf Hugging Face, die meisten aller Open-Source-Franka-Simulationsdatensätze.
- Pretraining auf V1 steigert die π0.5-Performance auf LIBERO-Plus und übertrifft eine volumenabgestimmte RoboCasa-Baseline um 37,3 %.
- Axis Robotics hat 12 Millionen US-Dollar an Seed-Finanzierung eingesammelt, angeführt von Hack VC, mit Beteiligung von Nomad Capital, Pi Network Ventures und 10K Ventures.
- Eine zukünftige V2-Veröffentlichung ist geplant, um auf 1,2 Millionen Trajektorien über 1.200 Aufgaben zu skalieren.
Axis Robotics bringt großen Franka-Arm-Simulationsdatensatz auf den Markt
Axis Robotics hat V1 entwickelt als direkte Herausforderung einer langjährigen Annahme in der Robotikforschung: dass Trainingsdaten sauber, von Expert:innen erzeugt und streng kontrolliert sein müssen, um nützlich zu sein. Stattdessen veröffentlichte das Unternehmen einen Datensatz, der aus mehr als 50.000 menschlich teleoperierten Trajektorien besteht, die 207 unterschiedliche Manipulationsaufgaben und über 60.000 Szenenvarianten abdecken, alle erfasst auf einem simulierten Franka Research 3 Arm.
Umfang und Zugriff auf Axis Sim Dataset V1
Der vollständige Datensatz ist zusammen mit Trainingscode und Benchmark-Ergebnissen öffentlich verfügbar und kann von allen heruntergeladen und getestet werden. Diese Offenheit ist Teil des Konzepts – Axis möchte, dass externe Forschende die Ergebnisse verifizieren, anstatt sich nur auf die Aussagen des Unternehmens zu verlassen.
Beliebtheit des Datensatzes und Benchmark-Ergebnisse
Die Nachfrage war bemerkenswert. V1 verzeichnete mehr als 160.000 Downloads auf Hugging Face und ist damit der am häufigsten heruntergeladene Open-Source-Simulationsdatensatz rund um Franka-Arm-Manipulation. Auf der Benchmark-Seite hob kontinuierliches Pretraining auf V1 das π0.5-Modell von 83,9 % auf 88,8 % Erfolgsrate auf LIBERO-Plus und übertraf eine volumenabgestimmte RoboCasa-Baseline um 37,3 %. Die Performance stieg weiter an, je mehr des Datensatzes im Pretraining verwendet wurde – von 25 % bis hin zu 100 % – ohne Anzeichen einer Sättigung. Das ist laut Axis ein Signal dafür, dass die Zugewinne aus der echten Vielfalt der Daten stammen und nicht nur aus einem einmaligen Schub.
Innovativer Ansatz zur Datenerfassung und -verarbeitung
Die meisten Robotikteams sammeln Daten, indem sie auf einen kleinen Pool von Expert:innendemonstrationen herunterfiltern und alles verwerfen, was verrauscht aussieht. Axis macht das Gegenteil, und genau diese Entscheidung ist die eigentliche Geschichte hinter diesem Open-Source-Robotikdatensatz.
Verteilte Crowd-Teleoperation statt gefilterter Expert:innendaten
Das Argument des Unternehmens lautet, dass Datenqualität auf der Ebene der gesamten Verteilung entsteht, nicht auf der Ebene einer einzelnen Trajektorie. Wenn eine große, diverse Crowd unordentliche, unvollkommene Demonstrationen erzeugt und ihre Fehler nicht miteinander korreliert sind, heben sich die Störungen während des Trainings auf und es entsteht dennoch eine brauchbare Policy. V1 setzt diese Theorie in die Praxis um: Die Trajektorien decken Pick-and-Place, Stapeln, Eingießen, Handhabung artikulierter Objekte und Werkzeugnutzung ab, alles gesammelt über die browserbasierte Teleoperationsplattform von Axis, Axis Hub, unter Nutzung einer verteilten Crowd statt eines einzelnen internen Expert:innenteams. Forschende der UC Berkeley, Johns Hopkins und der University of Michigan haben zum Aufbau des Datensatzes beigetragen.
Komponenten der Physical-AI-Daten-Engine von Axis
V1 ist nur ein Output einer größeren Maschine. Axis beschreibt seinen Ansatz als Daten-Engine, die fortlaufend neues Trainingsmaterial produziert, statt als statischen Download, der veraltet. Sie läuft gleichzeitig auf vier Ebenen: großskalige Simulation, egozentrische Erfassung in der realen Welt, humanoide Loco-Manipulation und menschlich gesteuertes DAgger-Post-Training, bei dem Menschen eingreifen, um Randfälle zu korrigieren, mit denen das Modell Schwierigkeiten hat. Modellfehler fließen zurück in die Auswahl der nächsten Datenerfassung, sodass jeder Trainingszyklus den folgenden informiert.
Partnerschaften und On-Chain-Datenherkunft
Über den offenen Datensatz hinaus verwandelt Axis diese Pipeline bereits in kommerzielle Einsätze – und dort werden die praktischen Auswirkungen dieser Arbeit deutlicher.
Zusammenarbeit mit Booster Robotics und weiteren Partnern
Als erster Simulationsdaten-Partner von Booster Robotics rekonstruierte Axis den tatsächlichen Arbeitsplatz von Booster als aufgabenspezifischen digitalen Zwilling und ließ dann verteilte Beitragende mehr als 42.000 Simulationsepisoden darauf sammeln. Diese Episoden wurden zu einem Prior-Modell destilliert, das speziell für die Hardware von Booster entwickelt wurde. Das Ergebnis: Mit nur 30 Demonstrationen am realen Roboter erreichte dieser maßgeschneiderte Prior 87,5 % Erfolgsrate, verglichen mit 37,5 % für ein π0.5-Modell von der Stange – und entsprach damit der Performance von π0.5 bei halb so vielen Demonstrationen in der realen Welt. Axis arbeitet außerdem mit anderen Embodiment- und Modellunternehmen sowie mit Akteuren der industriellen Automatisierung zusammen und liefert Daten an On-Chain-Robotiknetzwerke.
On-Chain-Datenherkunft und Belohnungen für Beitragende
Jede Aufgabe und jede Trajektorie, die über Axis Hub gesammelt wird, wird On-Chain auf der Base-Blockchain aufgezeichnet und schafft so einen überprüfbaren Nachweis über die Herkunft der Daten. Beitragende werden für Arbeit belohnt, die Qualitätsprüfungen besteht – eine Anreizstruktur, die das Crowd-Sourcing-Modell in großem Maßstab ehrlich halten soll. Hier zeigt sich die breitere Relevanz des Ansatzes Axis Robotics Physical AI: Herkunftsnachverfolgung ist nicht nur eine technische Fußnote, sondern der Mechanismus, der es einer verteilten, verrauschten Crowd ermöglicht, ein kleines Team vertrauenswürdiger Expert:innen zu ersetzen, ohne Verantwortlichkeit zu verlieren.
Zukünftige Erweiterung des Datensatzes und Vision für Physical AI
Axis behandelt V1 nicht als fertiges Produkt – es ist ein Zwischenstand. Das Unternehmen sagt, dass eine V2-Veröffentlichung bereits in Arbeit ist, mit dem Ziel, den Datensatz auf 1,2 Millionen Trajektorien über 1.200 Aufgaben zu skalieren, mit einem Fokus auf Cross-Embodiment-Generalisation, sodass Modelle, die auf den Daten trainiert wurden, besser auf unterschiedliche Roboterkörper übertragbar sind.
Vision des Gründers zur kontinuierlichen Datenproduktion
Chris Feng, Gründer von Axis Robotics, formulierte die langfristige Wette des Unternehmens so: „Die Zukunft von Physical AI ist kein statischer Datensatz, den man einmal herunterlädt. Es ist eine Engine, die fortlaufend die Daten produziert, die das Modell als Nächstes braucht. Skalierung verschafft dir breite Abdeckung. Vielfalt hält das Rauschen unbeeinflusst. Die geschlossene Schleife verwandelt jeden Fehler in Fortschritt. Das ist es, was sich kumuliert.“ Axis wurde von Forschenden der UC Berkeley, CMU, Georgia Tech und SJTU gegründet, zusammen mit Seriengründern, die zuvor Verbraucherplattformen auf mehr als 30 Millionen Nutzer:innen skaliert haben. Jiachen Li, Assistant Professor am Georgia Tech, berät die Forschung des Unternehmens.
Finanzierung und Forschungsberatung
Axis Robotics hat 12 Millionen US-Dollar an Seed-Finanzierung eingesammelt, um diese Daten-Engine aufzubauen, wobei Hack VC die Runde anführte. Nomad Capital, Pi Network Ventures, 10K Ventures und eine Gruppe von Angel-Investor:innen beteiligten sich ebenfalls. Die Finanzierung verschafft dem Unternehmen Spielraum, seine vier Datenlinien – Simulation, egozentrische Erfassung, Loco-Manipulation und menschlich gesteuerte Korrektur – weiter auszubauen und gleichzeitig auf die größere V2-Veröffentlichung hinzuarbeiten.
Warum das für das weitere Feld wichtig ist: Robotikforschende sind jahrelang davon ausgegangen, dass Trainingsdaten nahezu perfekt sein müssen, um nutzbar zu sein. Wenn sich die Ergebnisse von Axis außerhalb der eigenen Benchmarks bestätigen, deutet das darauf hin, dass robuste Policies auf verrauschten, Crowd-gesourcten Daten zu einem Bruchteil der Kosten für die Anstellung von Expert:innendemonstrator:innen trainiert werden können – was die Art und Weise verändern könnte, wie jedes Labor und jedes Startup, das humanoide oder armbasierte Roboter baut, seine Trainingsdaten künftig beschafft.
FAQ
Was ist das Axis Sim Dataset V1?
Axis Sim Dataset V1 ist einer der größten Open-Source-Simulationsdatensätze für Franka-Arm-Manipulation mit über 50.000 menschlich teleoperierten Trajektorien über 207 Aufgaben.
Wie sammelt Axis Robotics Daten für seine Simulationsdatensätze?
Axis Robotics sammelt Daten über eine verteilte Crowd mithilfe der browserbasierten Teleoperationsplattform Axis Hub, anstatt sich ausschließlich auf gefilterte Expert:innendemonstrationen zu stützen.
Welche Vorteile bietet Pretraining auf dem Axis Sim Dataset V1?
Pretraining auf V1 verbessert die Erfolgsraten von Modellen auf Manipulationsbenchmarks wie LIBERO-Plus und übertrifft Basisdatensätze wie RoboCasa deutlich.
Wie sieht die Vision von Axis Robotics für die Zukunft von Physical-AI-Datensätzen aus?
Axis Robotics sieht Physical AI als kontinuierliche Daten-Engine, die fortlaufend neue Trainingsdaten erzeugt, um den Bedarf der Modelle zu decken, und legt den Schwerpunkt auf Skalierung, Vielfalt und geschlossene Rückkopplungsschleifen statt auf eine einmalige Datensatzveröffentlichung.
{„@context“:“https://schema.org“,“@type“:“FAQPage“,“mainEntity“:[{„@type“:“Question“,“name“:“Was ist das Axis Sim Dataset V1?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Axis Sim Dataset V1 ist einer der größten Open-Source-Simulationsdatensätze für Franka-Arm-Manipulation mit über 50.000 menschlich teleoperierten Trajektorien über 207 Aufgaben.“}},{„@type“:“Question“,“name“:“Wie sammelt Axis Robotics Daten für seine Simulationsdatensätze?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Axis Robotics sammelt Daten über eine verteilte Crowd mithilfe der browserbasierten Teleoperationsplattform Axis Hub, anstatt sich ausschließlich auf gefilterte Expert:innendemonstrationen zu stützen.“}},{„@type“:“Question“,“name“:“Welche Vorteile bietet Pretraining auf dem Axis Sim Dataset V1?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Pretraining auf V1 verbessert die Erfolgsraten von Modellen auf Manipulationsbenchmarks wie LIBERO-Plus und übertrifft Basisdatensätze wie RoboCasa deutlich.“}},{„@type“:“Question“,“name“:“Wie sieht die Vision von Axis Robotics für die Zukunft von Physical-AI-Datensätzen aus?“,“acceptedAnswer“:{„@type“:“Answer“,“text“:“Axis Robotics sieht Physical AI als kontinuierliche Daten-Engine, die fortlaufend neue Trainingsdaten erzeugt, um den Bedarf der Modelle zu decken, und legt den Schwerpunkt auf Skalierung, Vielfalt und geschlossene Rückkopplungsschleifen statt auf eine einmalige Datensatzveröffentlichung.“}}]}
Artikel mit Unterstützung künstlicher Intelligenz erstellt und von der Redaktion überprüft.




