Axis Robotics

Məhsul yeniləməsi 🛠️

Açıq tapşırıq slotlarının sayını azaltdıq. Səbəbi budur.

1️⃣ GPT-6 artıq sadə tapşırıqları həll edə və onlar üçün etibarlı trayektoriyalar yarada bilir. İrəlilədikcə təkrarlanan məlumat toplama işlərini daha da azaldacağıq.
2️⃣ İnsanların təqdim etdiyi yüksək keyfiyyətli nümunələr hələ də vacibdir https://t.co/nCXR4P1m4J

Məhsul yeniləməsi 🛠️

Açıq tapşırıq slotlarının sayını azaltdıq. Səbəbi budur.

1️⃣ GPT-6 artıq sadə tapşırıqları həll edə və onlar üçün etibarlı trayektoriyalar yarada bilir.
2️⃣ Mürəkkəb tapşırıqlar üçün yüksək keyfiyyətli insan nümunələri hələ də vacibdir. Bu nümunələr https://t.co/UuTVBuIGQz-dən qat-qat dəyərlidir

7/7 Linklər

AXIS-Bench və digər məlumat resurslarımızı kəşf edin:

Layihə resursları:
Layihə səhifəsi: https://t.co/9pvWoFdRzu
Məqalə: https://t.co/6Irf55g2d5
Kod: https://t.co/ONkJ4k41qL
Axis Hub-ı sınayın: https://t.co/brRVGQrYVQ

Məlumat dəstləri:
Axis məlumat dəsti V2: https://t.co/se54ZroQe4 https://t.co/BdFhBbhaxj

6/7 Məlumatların buraxılışı

Axis Dataset V1 avqust ayında istifadəyə verildi. O vaxtdan bəri Dataset V2-ni hazırlamışıq. İndi o, 1,092 tapşırığı və 2.35M epizodu əhatə edir (kamera artırılması da daxil olmaqla). AXIS-Bench-də istifadə olunan əlavə məlumat dəstlərinin hamısı V2 toplusundan seçilib:

• İlkin təlim məlumat dəsti. 5,000 simulyasiya edilmiş https://t.co/U7FM0ja7T3

5/7 Simulyasiyadan reallığa

AXIS-Bench real dünya təcrübələri üçün də istinad iş axını və baza modeli təqdim edir: simulyasiya kameralarını və iş sahəsini uyğunlaşdırın, qeydə alınmış nümayişləri yenidən render edin və kiçik sayda real nümayişlər üzərində incə tənzimləmə aparın.

Franka FR3-də https://t.co/RJGbCqqnNA üzərində sadə BC ilkin təlimi

4/7 Əsas nəticələr

• Keyfiyyətin necə istifadə edildiyi önəmlidir. Yanaşmanı nəzərə alan epizod şərtləndirməsi hər üç VLA-da adi davranış klonlaşdırması (BC) ilə müqayisədə orta uğur göstəricisini artırır: üç təlim toxumu üzrə orta nisbi artım +3.9%, +23.4% və +5.6% (π₀.₅, SmolVLA, X-VLA).

• Dəqiqlik səviyyəsi https://t.co/PWoi9hpmnt

3/7 Eksperimentin qurulması

Biz iki mükafat tərifi (obyekt mərkəzli və yanaşmanı nəzərə alan) və iki etiket qranulyarlığı (epizod və hərəkət parçası) üzrə keyfiyyəti nəzərə alan üç yanaşmanı müqayisə edirik: çəki vermə, süzgəcdən keçirmə və şərtləndirmə.

Nəzarət olunan tədqiqatda 5,000 simulyasiyadan istifadə olunur: https://t.co/ATyOleyayw

2/7 İdeya

İnsanların nümayiş etdirdiyi nümunələrdə çox vaxt tərəddüd, dolaylı yollar və qeyri-bərabər irəliləyiş olur. Bəs VLA optimal olmayan seqmentləri atmalı, onlara daha az çəki verməli, yoxsa keyfiyyətlərini nəzərə alaraq şərtlənməyi öyrənməlidir?

AXIS-Bench izdihamlı mənbələrdən toplanmış simulyasiya nümayişləri üzərində qurulub; burada obyekt və https://t.co/LjrXBsIkl8 qeydə alınıb

VLAlar təbii olaraq qeyri-optimal robot nümayişlərindən necə öyrənməlidir?

AXIS-Bench təqdim olunur: Keyfiyyəti nəzərə alan VLA ilkin təlimində nəyin vacib olduğu — nümayişlərin keyfiyyətinin ilkin təlim zamanı necə müəyyənləşdirilməli, etiketlənməli və istifadə olunmalı olduğuna dair benchmark və empirik araşdırma.

Üç VLA üzrə https://t.co/0h0qloxBEL