Reason to trust
How Our News is Made
Strict editorial policy that focuses on accuracy, relevance, and impartiality
Ad discliamer
Morbi pretium leo et nisl aliquam mollis. Quisque arcu lorem, ultricies quis pellentesque nec, ullamcorper eu odio.
Axis Robotics ha lanzado Axis Sim Dataset V1, uno de los mayores conjuntos de datos de simulación de código abierto para la manipulación del brazo Franka, con el conjunto completo de datos, el código de entrenamiento y los benchmarks disponibles públicamente. V1 se construyó a partir de más de 50 000 trayectorias de simulación teleoperadas por humanos en 207 tareas de manipulación y más de 60 000 variantes de escena en un brazo Franka Research 3 simulado.
Este conjunto de datos alcanzó más de 160 000 descargas, convirtiéndose en el dataset de simulación de manipulación Franka de código abierto más descargado en Hugging Face. En los benchmarks, el pre‑entrenamiento continuo en V1 elevó π0.5 y superó una línea base RoboCasa con el mismo volumen, con todos los resultados abiertos y verificables.
Axis Robotics está construyendo el motor de datos compuesto definitivo para Physical AI, un sistema verticalmente integrado que abarca simulación a gran escala, captura egocéntrica del mundo real, loco‑manipulación humanoide y post‑entrenamiento DAgger guiado por humanos. La empresa recaudó 12 millones USD en financiación seed liderada por Hack VC, con participación de Nomad Capital, Pi Network Ventures, 10K Ventures y ángeles inversores.
Una apuesta contra “solo datos limpios”
Una suposición común en robótica es que las demostraciones deben ser casi óptimas desde el principio — filtrar hasta obtener trayectorias expertas, estandarizar la configuración y descartar todo lo ruidoso antes de imitarlo. La tesis de Axis va en sentido contrario: la calidad de los datos vive a nivel de distribución, no a nivel de trayectoria individual. Cuando una multitud suficientemente grande y diversa produce trayectorias ruidosas y subóptimas cuyas errores no están correlacionados, el ruido se promedia y una política funcional sobrevive durante el entrenamiento.
Axis Sim Dataset V1 pone a prueba públicamente esa tesis. Sus trayectorias abarcan pick‑and‑place, apilado, vertido, manipulación de objetos articulados y uso de herramientas, todas recogidas a través de la plataforma de teleoperación basada en navegador de Axis, Axis Hub, por una multitud distribuida en lugar de un único equipo de expertos. El dataset se construyó con investigadores de UC Berkeley, Johns Hopkins, la Universidad de Michigan y otras instituciones.
Resultados que escalan
En LIBERO‑Plus, el pre‑entrenamiento continuo en V1 eleva π0.5 del 83,9 % al 88,8 % de éxito y supera una línea base RoboCasa365 con el mismo volumen en un 37,3 %. El rendimiento mejora de forma constante a medida que los datos de pre‑entrenamiento escalan del 25 % al 100 % del conjunto, sin signos de saturación, lo que evidencia que las ganancias provienen de la diversidad y cobertura más que de un pico puntual. Las mayores mejoras aparecen bajo perturbaciones de cámara, ruido de sensores y disposición del entorno, los ejes exactos que Axis randomiza durante la generación.
El equipo indica que V2 ya está en marcha, escalando a 1,2 millones de trayectorias en 1 200 tareas, con generalización entre diferentes embodied y resultados en varios modelos VLA que demuestran que datos de simulación subóptimos entrenan políticas robustas.
El motor detrás del dataset
El dataset es una salida de un motor de datos compuesto más grande y activo. Mientras que un proveedor de datos tradicional recopila hasta una especificación fija y se detiene, Axis utiliza el rendimiento del modelo y los casos de falla para determinar qué debe recopilarse a continuación, de modo que cada ronda de entrenamiento informe a la siguiente. Ese motor opera con una estrategia híbrida a lo largo de cuatro líneas de datos, y las cuatro ahora funcionan a gran escala:
- **Simulación**: más de 200 000 colaboradores distribuidos en Axis Hub, una dApp top‑3 en Base, que producen más de 4,7 M de trayectorias en 13 embodied.
- **Egocéntrica**: una red gestionada de más de 1 000 recolectores a tiempo completo, entrenados en control de calidad, capturando actividad en primera persona en hogares y negocios reales de 14 industrias: más de 200 000 h ya acumuladas y creciendo en 4 000 h cada día, con pose de mano verificada por Vicon.
- **Loco‑manipulación**: más de 500 h combinando movilidad y destreza en humanoides reales (Unitree G1, Booster T2) mediante teleoperación independiente del hardware.
- **Post‑entrenamiento DAgger guiado por humanos**: más de 500 h de corrección humana en el bucle, enfocadas a casos límite de despliegue.
Cada tarea y trayectoria se registra on‑chain en Base para su procedencia, y los colaboradores son recompensados por la calidad verificable de su trabajo.
De datos abiertos a despliegue comercial
Además de liberar datos de simulación, Axis colabora directamente con empresas de embodied robótico para construir pipelines de datos personalizados y priors de modelo específicos del embodied.
Como primer socio de datos de simulación de Booster Robotics, Axis reconstruyó el espacio de trabajo real de Booster como un gemelo digital alineado a la tarea, permitió que colaboradores distribuidos recolectaran más de 42 000 episodios de simulación en él y los destiló en un prior de modelo específico de Booster. Con solo 30 demostraciones reales de robot, ese prior alcanzó un 87,5 % de éxito frente a un 37,5 % para un π0.5 listo para usar, igualando π0.5 usando la mitad de las demostraciones del mundo real.
Otros socios abarcan empresas de embodied (Feagine Robotics), empresas de modelos (Manycore Tech, Dexmal) y automatización industrial (Lotus Cars, Geely Auto). Axis también provee redes robóticas on‑chain : BitRobot en Solana y OpenRoboto en Bittensor.
Redefiniendo la base de datos de Physical AI
“El futuro de Physical AI no es un dataset estático que descargues una vez,” dijo Chris Feng, fundador de Axis Robotics. “Es un motor que sigue produciendo los datos que el modelo necesita a continuación. La escala te brinda cobertura amplia. La diversidad mantiene el ruido sin sesgo. El bucle cerrado convierte cada falla en progreso. Eso es lo que compone.”
Axis fue fundada por investigadores de UC Berkeley, CMU, Georgia Tech y SJTU, junto a fundadores en serie que han escalado plataformas de consumo a más de 30 millones de usuarios. Su investigación cuenta con el asesoramiento de Jiachen Li, profesor asistente en Georgia Tech.
Enlace al artículo: https://arxiv.org/abs/2607.21588
Página del proyecto: https://axisaiorg.github.io/AXIS-V1/
Enlace al dataset: https://huggingface.co/datasets/axisrobotics/Franka-Dataset
Repositorio en GitHub: https://github.com/AxisAIOrg/Axis-V1-Training
