Axis Robotics heeft de deuren geopend naar een van de grootste open-sourcecollecties van robotmanipulatie-data die ooit is vrijgegeven, met de gok dat schaal en diversiteit — niet gecureerde perfectie — is wat machines daadwerkelijk zal leren zich door de fysieke wereld te bewegen. De nieuwe Franka-arm-simulatieset van het bedrijf, Axis Sim Dataset V1 genoemd, wordt geleverd met volledige trainingscode en benchmarks die openbaar beschikbaar zijn, en het verandert nu al de manier waarop onderzoekers denken over trainingsdata voor wat de sector Physical AI noemt.
Inhoudsopgave
Belangrijkste punten
- Axis Sim Dataset V1 bevat meer dan 50.000 door mensen geteleopereerde trajecten over 207 manipulatietaken en meer dan 60.000 scènevarianten op een gesimuleerde Franka Research 3-arm.
- De dataset is meer dan 160.000 keer gedownload op Hugging Face, het meest van alle open-source Franka-simulatiesets.
- Pretraining op V1 verhoogt de π0.5-prestaties op LIBERO-Plus en verslaat een volume-gematchte RoboCasa-baseline met 37,3%.
- Axis Robotics haalde 12 miljoen dollar aan seedfinanciering op onder leiding van Hack VC, met deelname van Nomad Capital, Pi Network Ventures en 10K Ventures.
- Een toekomstige V2-release is gepland om op te schalen naar 1,2 miljoen trajecten over 1.200 taken.
Axis Robotics lanceert grote Franka-arm-simulatieset
Axis Robotics bouwde V1 als een directe uitdaging voor een lang bestaande aanname in roboticaonderzoek: dat trainingsdata schoon, door experts gegenereerd en strikt gecontroleerd moet zijn om nuttig te zijn. In plaats daarvan bracht het bedrijf een dataset uit die is samengesteld uit meer dan 50.000 door mensen geteleopereerde trajecten, verspreid over 207 verschillende manipulatietaken en meer dan 60.000 scènevarianten, allemaal vastgelegd op een gesimuleerde Franka Research 3-arm.
Schaal en toegankelijkheid van Axis Sim Dataset V1
De volledige dataset, samen met trainingscode en benchmarkresultaten, is openbaar beschikbaar voor iedereen om te downloaden en te testen. Die openheid is deel van de bedoeling — Axis wil dat externe onderzoekers de resultaten verifiëren in plaats van het bedrijf op zijn woord te geloven.
Populariteit van de dataset en benchmarkresultaten
De adoptie is opmerkelijk geweest. V1 is meer dan 160.000 keer gedownload op Hugging Face, waarmee het de meest gedownloade open-sourcesimulatieset rond Franka-armmanipulatie is. Aan de benchmarkkant tilde continue pretraining op V1 het π0.5-model van 83,9% naar 88,8% succes op LIBERO-Plus en presteerde het 37,3% beter dan een volume-gematchte RoboCasa-baseline. De prestaties bleven stijgen naarmate een groter deel van de dataset werd gebruikt in pretraining, van 25% tot 100%, zonder enig teken van afvlakking — een signaal, zo stelt Axis, dat de winst voortkomt uit echte diversiteit in de data in plaats van een eenmalige boost.
Innovatieve aanpak voor dataverzameling en -verwerking
De meeste roboticateams verzamelen data door terug te brengen tot een kleine pool van expertdemonstraties en alles weg te gooien wat er ruisachtig uitziet. Axis doet het tegenovergestelde, en die keuze is het echte verhaal achter deze open-sourceroboticadataset.
Gedistribueerde crowd-teleoperatie boven gefilterde expertdata
Het argument van het bedrijf is dat datakwaliteit leeft op het niveau van de gehele distributie, niet van een enkel traject. Wanneer een grote, diverse crowd rommelige, onvolmaakte demonstraties genereert en hun fouten niet met elkaar gecorreleerd zijn, heffen de ruiscomponenten elkaar op tijdens training en ontstaat er toch een bruikbare policy. V1 brengt die theorie in de praktijk: de trajecten bestrijken pick-and-place, stapelen, schenken, het hanteren van gearticuleerde objecten en gereedschapsgebruik, allemaal verzameld via Axis’ browsergebaseerd teleoperatieplatform, Axis Hub, met een gedistribueerde crowd in plaats van één intern expertteam. Onderzoekers van UC Berkeley, Johns Hopkins en de University of Michigan droegen bij aan het opbouwen van de dataset.
Componenten van Axis’ Physical AI-data-engine
V1 is slechts één output van een grotere machine. Axis beschrijft zijn aanpak als een data-engine die voortdurend nieuw trainingsmateriaal blijft produceren, in plaats van een statische download die veroudert. Die draait op vier fronten tegelijk: grootschalige simulatie, egocentrische real-world capture, humanoïde loco-manipulatie en door mensen bewaakte DAgger-posttraining, waarbij mensen ingrijpen om randgevallen te corrigeren waar het model moeite mee heeft. Modelleringen van fouten vloeien terug in wat daarna wordt verzameld, zodat elke trainingscyclus de volgende informeert.
Partnerschappen en on-chain herkomst van data
Naast de open dataset zet Axis deze pijplijn nu al om in commerciële implementaties — en daar worden de praktische inzet en gevolgen van dit werk duidelijker.
Samenwerking met Booster Robotics en andere partners
Als eerste simulatiedatapartner van Booster Robotics bouwde Axis de daadwerkelijke werkruimte van Booster opnieuw op als een taakspecifieke digitale tweeling, waarna gedistribueerde bijdragers er meer dan 42.000 simulatie-episodes op verzamelden. Die episodes werden gedistilleerd tot een vooraf getraind model dat specifiek was gebouwd voor de hardware van Booster. De opbrengst: met slechts 30 demonstraties op de echte robot behaalde die aangepaste prior 87,5% succes, vergeleken met 37,5% voor een kant-en-klaar π0.5-model — waarmee de prestaties van π0.5 werden geëvenaard met de helft van de real-world demonstratiedata. Axis werkt ook met andere embodiment- en modelbedrijven, naast spelers in industriële automatisering, en levert data aan on-chain roboticanetwerken.
On-chain herkomst van data en beloningen voor bijdragers
Elke taak en elk traject dat via Axis Hub wordt verzameld, wordt on-chain vastgelegd op de Base-blockchain, waarmee een verifieerbaar register ontstaat van waar de data vandaan komt. Bijdragers worden beloond voor werk dat kwaliteitscontroles doorstaat, een incentivestructuur die bedoeld is om het crowd-sourced model op schaal eerlijk te houden. Hier begint de bredere relevantie van de aanpak van Axis Robotics Physical AI zichtbaar te worden: herkomsttracking is niet slechts een technische voetnoot, het is het mechanisme dat een gedistribueerde, ruisachtige crowd in staat stelt een klein team van vertrouwde experts te vervangen zonder aan verantwoordelijkheid in te boeten.
Toekomstige uitbreiding van de dataset en visie op Physical AI
Axis beschouwt V1 niet als een eindproduct — het is een tussenpunt. Het bedrijf zegt dat een V2-release al in de maak is, met als doel de dataset op te schalen naar 1,2 miljoen trajecten over 1.200 taken, met een focus op generalisatie over verschillende embodiments zodat modellen die op de data zijn getraind beter overdraagbaar zijn tussen verschillende robotlichamen.
Visie van de oprichter op continue dataproductie
Chris Feng, oprichter van Axis Robotics, verwoordde de langetermijninzet van het bedrijf als volgt: “De toekomst van Physical AI is geen statische dataset die je één keer downloadt. Het is een engine die blijft produceren welke data het model daarna nodig heeft. Schaal geeft je brede dekking. Diversiteit houdt de ruis onbevooroordeeld. De gesloten lus verandert elke mislukking in vooruitgang. Dat is wat zich opstapelt.” Axis is opgericht door onderzoekers van UC Berkeley, CMU, Georgia Tech en SJTU, samen met serie-ondernemers die eerder consumentenplatforms hebben opgeschaald naar meer dan 30 miljoen gebruikers. Jiachen Li, Assistant Professor aan Georgia Tech, adviseert het onderzoek van het bedrijf.
Financiering en onderzoeksadvies
Axis Robotics haalde 12 miljoen dollar aan seedfinanciering op om deze data-engine uit te bouwen, met Hack VC als leidende investeerder. Nomad Capital, Pi Network Ventures, 10K Ventures en een groep angel-investeerders namen ook deel. De steun geeft het bedrijf de ruimte om zijn vier datalijnen — simulatie, egocentrische capture, loco-manipulatie en door mensen bewaakte correctie — verder uit te breiden, terwijl het toewerkt naar de grotere V2-release.
Waarom dit ertoe doet voor het bredere veld: roboticaonderzoekers zijn jarenlang ervan uitgegaan dat trainingsdata bijna perfect moet zijn om bruikbaar te zijn. Als de resultaten van Axis standhouden buiten de eigen benchmarks, suggereert dat dat robuuste policies kunnen worden getraind op ruisachtige, crowd-sourced data tegen een fractie van de kosten van het inhuren van expertdemonstranten — wat de manier zou kunnen veranderen waarop elk lab en elke startup die humanoïde of armbasierte robots bouwt, zijn trainingsdata in de toekomst betrekt.
FAQ
Wat is de Axis Sim Dataset V1?
Axis Sim Dataset V1 is een van de grootste open-sourcesimulatiesets voor Franka-armmanipulatie, met meer dan 50.000 door mensen geteleopereerde trajecten over 207 taken.
Hoe verzamelt Axis Robotics data voor hun simulatiesets?
Axis Robotics verzamelt data van een gedistribueerde crowd via het browsergebaseerde teleoperatieplatform Axis Hub, in plaats van uitsluitend te vertrouwen op gefilterde expertdemonstraties.
Welke voordelen biedt pretraining op de Axis Sim Dataset V1?
Pretraining op V1 verbetert de succescijfers van modellen op manipulatiebenchmarks zoals LIBERO-Plus en presteert aanzienlijk beter dan basisdatasets zoals RoboCasa.
Wat is de visie van Axis Robotics op de toekomst van Physical AI-datasets?
Axis Robotics ziet Physical AI als een continue data-engine die voortdurend nieuwe trainingsdata blijft produceren om aan de behoeften van modellen te voldoen, met nadruk op schaal, diversiteit en gesloten-lusverbetering in plaats van een eenmalige datasetrelease.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Wat is de Axis Sim Dataset V1?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Axis Sim Dataset V1 is een van de grootste open-sourcesimulatiesets voor Franka-armmanipulatie, met meer dan 50.000 door mensen geteleopereerde trajecten over 207 taken.”}},{“@type”:”Question”,”name”:”Hoe verzamelt Axis Robotics data voor hun simulatiesets?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Axis Robotics verzamelt data van een gedistribueerde crowd via het browsergebaseerde teleoperatieplatform Axis Hub, in plaats van uitsluitend te vertrouwen op gefilterde expertdemonstraties.”}},{“@type”:”Question”,”name”:”Welke voordelen biedt pretraining op de Axis Sim Dataset V1?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Pretraining op V1 verbetert de succescijfers van modellen op manipulatiebenchmarks zoals LIBERO-Plus en presteert aanzienlijk beter dan basisdatasets zoals RoboCasa.”}},{“@type”:”Question”,”name”:”Wat is de visie van Axis Robotics op de toekomst van Physical AI-datasets?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Axis Robotics ziet Physical AI als een continue data-engine die voortdurend nieuwe trainingsdata blijft produceren om aan de behoeften van modellen te voldoen, met nadruk op schaal, diversiteit en gesloten-lusverbetering in plaats van een eenmalige datasetrelease.”}}]}
Artikel geproduceerd met behulp van kunstmatige intelligentie en beoordeeld door de redactie.




