Axis Robotics

تحديث المنتج 🛠️

قلّلنا عدد خانات المهام المتاحة. إليكم السبب.

1️⃣ أصبح GPT-6 قادرًا الآن على حلّ المهام البسيطة وإنشاء مسارات موثوقة لها. وسنواصل تقليل أعمال جمع البيانات المتكررة مع تقدمنا.
2️⃣ تظل العروض التوضيحية عالية الجودة التي يقدمها البشر ضرورية https://t.co/nCXR4P1m4J

تحديث المنتج 🛠️

قلّلنا عدد خانات المهام المفتوحة. إليك السبب.

1️⃣ أصبح بإمكان GPT-6 الآن حل المهام البسيطة وإنشاء مسارات موثوقة لتنفيذها.
2️⃣ تظل العروض التوضيحية عالية الجودة التي يقدمها البشر ضرورية للمهام المعقدة. وتفوق قيمة هذه العروض بكثير قيمة https://t.co/UuTVBuIGQz

روابط 7/7

استكشف AXIS-Bench ومصادر البيانات الأخرى لدينا:

موارد المشروع:
صفحة المشروع: https://t.co/9pvWoFdRzu
الورقة البحثية: https://t.co/6Irf55g2d5
الشفرة البرمجية: https://t.co/ONkJ4k41qL
جرّب Axis Hub: https://t.co/brRVGQrYVQ

مجموعات البيانات:
مجموعة بيانات Axis V2: https://t.co/se54ZroQe4 https://t.co/BdFhBbhaxj

6/7 إصدار البيانات

أُطلقت مجموعة بيانات Axis V1 في أغسطس. ومنذ ذلك الحين، أنشأنا مجموعة بيانات V2، التي تغطي الآن 1,092 مهمة و2.35 مليون حلقة (بما في ذلك تحسين الصور بالكاميرا). وجميع مجموعات البيانات المصاحبة المستخدمة في AXIS-Bench مُنتقاة من مجموعة V2:

• مجموعة بيانات التدريب المسبق. 5,000 عنصر مُحاكى https://t.co/U7FM0ja7T3

5/7 من المحاكاة إلى الواقع

يتضمن AXIS-Bench أيضًا سير عمل مرجعيًا وخط أساس للتجارب في العالم الحقيقي: قم بمحاذاة الكاميرات وحيز العمل المُحاكاة، وأعد عرض العروض التوضيحية المسجلة، واضبط النموذج بدقة باستخدام مجموعة صغيرة من العروض التوضيحية الواقعية.

على Franka FR3، التدريب المسبق العادي لـ BC على https://t.co/RJGbCqqnNA

4/7 النتائج الرئيسية

• طريقة استخدام الجودة مهمة. يؤدي تكييف الحلقات مع مراعاة النهج إلى تحسين متوسط النجاح مقارنةً بالاستنساخ السلوكي البسيط (BC) في نماذج VLA الثلاثة: مكاسب نسبية متوسطة تبلغ +3.9% و+23.4% و+5.6% عبر ثلاث بذور تدريب (π₀.₅ وSmolVLA وX-VLA).

• مستوى التفصيل https://t.co/PWoi9hpmnt

3/7 إعداد التجربة

نقارن بين ثلاثة أساليب تراعي الجودة: الترجيح، والتصفية، والاشتراط، عبر تعريفين للمكافأة (المتمحور حول الكائن والمراعي لأسلوب الاقتراب) ومستويين من دقة التسميات (الحلقة ومقطع الإجراء).

تستخدم الدراسة المضبوطة 5,000 عملية محاكاة https://t.co/ATyOleyayw

2/7 الفكرة

غالبًا ما تتضمن عروض البشر ترددًا وانحرافات عن المسار وتقدمًا غير متسق. لكن هل ينبغي لنموذج الرؤية واللغة والفعل (VLA) أن يستبعد المقاطع دون المثلى، أو يقلل من وزنها، أم يتعلم الاستناد إلى جودتها؟

يعتمد AXIS-Bench على عروض محاكاة جُمعت من مصادر جماعية، مع تسجيل للأجسام وhttps://t.co/LjrXBsIkl8

كيف ينبغي لنماذج VLA أن تتعلم من عروض الروبوتات التي تكون دون المستوى الأمثل بطبيعتها؟

نقدّم AXIS-Bench: ما الذي يهم في التدريب المسبق لنماذج VLA المراعي للجودة، وهو معيار ودراسة تجريبية لكيفية تحديد جودة العروض التوضيحية وتصنيفها واستخدامها أثناء التدريب المسبق.

عبر ثلاثة نماذج VLA https://t.co/0h0qloxBEL