Axis Robotics ha abierto las puertas a una de las mayores colecciones de datos de manipulación robótica de código abierto jamás publicadas, apostando a que la escala y la diversidad —no la perfección curada— es lo que realmente enseñará a las máquinas a moverse por el mundo físico. El nuevo conjunto de datos de simulación del brazo Franka de la empresa, llamado Axis Sim Dataset V1, llega con todo el código de entrenamiento y los benchmarks disponibles públicamente, y ya está remodelando la forma en que los investigadores piensan sobre los datos de entrenamiento para lo que la industria llama IA Física.
Índice
Puntos clave
- Axis Sim Dataset V1 contiene más de 50.000 trayectorias teleoperadas por humanos en 207 tareas de manipulación y más de 60.000 variantes de escenas en un brazo Franka Research 3 simulado.
- El conjunto de datos ha registrado más de 160.000 descargas en Hugging Face, la mayor cantidad de cualquier conjunto de datos de simulación de Franka de código abierto.
- El preentrenamiento en V1 aumenta el rendimiento π0.5 en LIBERO-Plus y supera a una línea base RoboCasa de volumen equivalente en un 37,3%.
- Axis Robotics recaudó 12 millones de dólares en financiación semilla liderada por Hack VC, con la participación de Nomad Capital, Pi Network Ventures y 10K Ventures.
- Está previsto un futuro lanzamiento V2 para escalar a 1,2 millones de trayectorias en 1.200 tareas.
Axis Robotics lanza un importante conjunto de datos de simulación del brazo Franka
Axis Robotics creó V1 como un desafío directo a una suposición de larga data en la investigación en robótica: que los datos de entrenamiento tienen que ser limpios, generados por expertos y estrictamente controlados para ser útiles. En su lugar, la empresa publicó un conjunto de datos ensamblado a partir de más de 50.000 trayectorias teleoperadas por humanos, que abarcan 207 tareas de manipulación distintas y más de 60.000 variantes de escenas, todas capturadas en un brazo Franka Research 3 simulado.
Escala y acceso de Axis Sim Dataset V1
El conjunto de datos completo, junto con el código de entrenamiento y los resultados de los benchmarks, está disponible públicamente para que cualquiera lo descargue y pruebe. Esa apertura es parte del objetivo: Axis quiere que investigadores externos verifiquen sus resultados en lugar de aceptar la palabra de la empresa.
Popularidad del conjunto de datos y resultados de benchmarking
La adopción ha sido notable. V1 ha obtenido más de 160.000 descargas en Hugging Face, convirtiéndolo en el conjunto de datos de simulación de código abierto más descargado construido en torno a la manipulación con brazo Franka. En el lado de los benchmarks, el preentrenamiento continuo en V1 elevó el modelo π0.5 de un 83,9% a un 88,8% de éxito en LIBERO-Plus y superó a una línea base RoboCasa de volumen equivalente en un 37,3%. El rendimiento siguió aumentando a medida que se utilizaba una mayor parte del conjunto de datos en el preentrenamiento, desde el 25% hasta el 100%, sin ninguna señal de estabilización, una señal, argumenta Axis, de que las ganancias provienen de una diversidad genuina en los datos en lugar de un impulso puntual.
Enfoque innovador de recopilación y procesamiento de datos
La mayoría de los equipos de robótica recopilan datos filtrando hasta llegar a un pequeño grupo de demostraciones de expertos y descartando todo lo que parezca ruidoso. Axis hace lo contrario, y esa elección es la verdadera historia detrás de este conjunto de datos de robótica de código abierto.
Teleoperación distribuida por multitudes frente a datos filtrados de expertos
El argumento de la empresa es que la calidad de los datos reside en el nivel de toda la distribución, no en una sola trayectoria. Cuando una multitud grande y diversa genera demostraciones desordenadas e imperfectas y sus errores no están correlacionados entre sí, el ruido se cancela durante el entrenamiento y aún así emerge una política funcional. V1 pone esa teoría en práctica: sus trayectorias cubren tareas de recogida y colocación, apilado, vertido, manipulación de objetos articulados y uso de herramientas, todas recopiladas a través de la plataforma de teleoperación basada en navegador de Axis, Axis Hub, utilizando una multitud distribuida en lugar de un único equipo interno de expertos. Investigadores de UC Berkeley, Johns Hopkins y la Universidad de Michigan contribuyeron a la construcción del conjunto de datos.
Componentes del motor de datos de IA Física de Axis
V1 es solo una salida de una máquina más grande. Axis describe su enfoque como un motor de datos que sigue produciendo nuevo material de entrenamiento en lugar de una descarga estática que queda obsoleta. Funciona en cuatro frentes a la vez: simulación a gran escala, captura egocéntrica en el mundo real, loco-manipulación humanoide y postentrenamiento DAgger con supervisión humana, donde las personas intervienen para corregir casos límite con los que el modelo tiene dificultades. Los fallos del modelo retroalimentan lo que se recopila a continuación, de modo que cada ciclo de entrenamiento informa al siguiente.
Alianzas y procedencia de datos on-chain
Más allá del conjunto de datos abierto, Axis ya está convirtiendo esta canalización en despliegues comerciales, y es ahí donde las implicaciones prácticas de este trabajo se vuelven más claras.
Colaboración con Booster Robotics y otros socios
Como primer socio de datos de simulación de Booster Robotics, Axis reconstruyó el espacio de trabajo real de Booster como un gemelo digital específico para tareas, y luego hizo que colaboradores distribuidos recopilaran más de 42.000 episodios de simulación en él. Esos episodios se destilaron en un modelo previo construido específicamente para el hardware de Booster. El resultado: con solo 30 demostraciones con robots reales, ese modelo previo personalizado alcanzó un 87,5% de éxito, en comparación con el 37,5% de un modelo π0.5 listo para usar, igualando el rendimiento de π0.5 mientras utilizaba la mitad de los datos de demostración en el mundo real. Axis también trabaja con otras empresas de embodiment y de modelos, junto con actores de automatización industrial, y suministra datos a redes de robótica on-chain.
Procedencia de datos on-chain y recompensas para colaboradores
Cada tarea y trayectoria recopilada a través de Axis Hub se registra on-chain en la blockchain Base, creando un registro verificable de dónde provienen los datos. Los colaboradores son recompensados por el trabajo que supera los controles de calidad, una estructura de incentivos destinada a mantener honesto a gran escala el modelo basado en crowdsourcing. Aquí es donde empieza a mostrarse la relevancia más amplia del enfoque de IA Física de Axis Robotics: el seguimiento de la procedencia no es solo una nota técnica al margen, es el mecanismo que permite que una multitud distribuida y ruidosa sustituya a un pequeño equipo de expertos de confianza sin perder responsabilidad.
Futura expansión del conjunto de datos y visión para la IA Física
Axis no trata V1 como un producto terminado, sino como un punto de control. La empresa afirma que ya está en marcha una versión V2, cuyo objetivo es escalar el conjunto de datos a 1,2 millones de trayectorias en 1.200 tareas, con un enfoque en la generalización entre diferentes cuerpos (cross-embodiment) para que los modelos entrenados con los datos se transfieran mejor entre distintos cuerpos robóticos.
Visión del fundador sobre la producción continua de datos
Chris Feng, fundador de Axis Robotics, enmarcó así la apuesta a largo plazo de la empresa: «El futuro de la IA Física no es un conjunto de datos estático que descargas una vez. Es un motor que sigue produciendo los datos que el modelo necesita a continuación. La escala te da una cobertura amplia. La diversidad mantiene el ruido sin sesgo. El bucle cerrado convierte cada fallo en progreso. Eso es lo que se compone.» Axis fue fundada por investigadores de UC Berkeley, CMU, Georgia Tech y SJTU, junto con fundadores en serie que anteriormente han escalado plataformas de consumo a más de 30 millones de usuarios. Jiachen Li, profesor asistente en Georgia Tech, asesora la investigación de la empresa.
Financiación y asesoría en investigación
Axis Robotics recaudó 12 millones de dólares en financiación semilla para desarrollar este motor de datos, con Hack VC liderando la ronda. Nomad Capital, Pi Network Ventures, 10K Ventures y un grupo de inversores ángeles también participaron. El respaldo proporciona a la empresa margen para seguir ampliando sus cuatro líneas de datos —simulación, captura egocéntrica, loco-manipulación y corrección con supervisión humana— mientras avanza hacia el lanzamiento de la versión V2 más grande.
Por qué esto importa para el campo en general: los investigadores en robótica han pasado años asumiendo que los datos de entrenamiento deben ser casi perfectos para ser utilizables. Si los resultados de Axis se mantienen fuera de sus propios benchmarks, sugiere que se pueden entrenar políticas robustas con datos ruidosos obtenidos mediante crowdsourcing a una fracción del coste de contratar demostradores expertos, lo que podría remodelar la forma en que cada laboratorio y startup que construye robots humanoides o basados en brazos obtiene sus datos de entrenamiento en el futuro.
Preguntas frecuentes
¿Qué es Axis Sim Dataset V1?
Axis Sim Dataset V1 es uno de los mayores conjuntos de datos de simulación de código abierto para la manipulación con brazo Franka, con más de 50.000 trayectorias teleoperadas por humanos que abarcan 207 tareas.
¿Cómo recopila Axis Robotics datos para sus conjuntos de datos de simulación?
Axis Robotics recopila datos de una multitud distribuida utilizando su plataforma de teleoperación basada en navegador, Axis Hub, en lugar de depender únicamente de demostraciones filtradas de expertos.
¿Qué beneficios aporta el preentrenamiento con Axis Sim Dataset V1?
El preentrenamiento en V1 mejora las tasas de éxito del modelo en benchmarks de manipulación como LIBERO-Plus, superando ampliamente a conjuntos de datos de referencia como RoboCasa.
¿Cuál es la visión de Axis Robotics para el futuro de los conjuntos de datos de IA Física?
Axis Robotics concibe la IA Física como un motor de datos continuo que sigue produciendo nuevos datos de entrenamiento para satisfacer las necesidades del modelo, haciendo hincapié en la escala, la diversidad y la mejora en bucle cerrado en lugar de un lanzamiento único de un conjunto de datos.
Artículo producido con la ayuda de inteligencia artificial y revisado por el equipo editorial.




