Axis Robotics

Produktupdate 🛠️

Wir haben die Anzahl der offenen Aufgabenplätze reduziert. Hier erfährst du, warum.

1️⃣ GPT-6 kann jetzt einfache Aufgaben lösen und dafür zuverlässige Handlungsabläufe generieren. Im weiteren Verlauf werden wir den wiederholten Erfassungsaufwand weiter reduzieren.
2️⃣ Hochwertige menschliche Demonstrationen bleiben unverzichtbar https://t.co/nCXR4P1m4J

Produktupdate 🛠️

Wir haben die Anzahl der offenen Aufgabenplätze reduziert. Hier erfährst du, warum.

1️⃣ GPT-6 kann jetzt einfache Aufgaben lösen und dafür zuverlässige Trajektorien generieren.
2️⃣ Hochwertige menschliche Demonstrationen bleiben für komplexe Aufgaben unverzichtbar. Diese Demonstrationen sind weitaus wertvoller als https://t.co/UuTVBuIGQz

7/7 Links

Entdecke AXIS-Bench und unsere umfangreicheren Datenressourcen:

Projektressourcen:
Projektseite: https://t.co/9pvWoFdRzu
Wissenschaftliche Arbeit: https://t.co/6Irf55g2d5
Code: https://t.co/ONkJ4k41qL
Axis Hub ausprobieren: https://t.co/brRVGQrYVQ

Datensätze:
Axis Dataset V2: https://t.co/se54ZroQe4 https://t.co/BdFhBbhaxj

6/7 Datenveröffentlichung

Axis Dataset V1 wurde im August veröffentlicht. Seitdem haben wir Dataset V2 entwickelt, das nun 1.092 Aufgaben und 2,35 Mio. Episoden umfasst (einschließlich Kameraaugmentation). Die begleitenden Datensätze, die in AXIS-Bench verwendet werden, wurden alle aus dem V2-Pool zusammengestellt:

• Pretraining-Datensatz. 5.000 simulierte https://t.co/U7FM0ja7T3

5/7 Von der Simulation zur Realität

AXIS-Bench umfasst außerdem einen Referenz-Workflow und eine Baseline für Experimente in der realen Welt: die simulierten Kameras und den Arbeitsbereich ausrichten, aufgezeichnete Demonstrationen erneut rendern und mit einer kleinen Anzahl realer Demonstrationen feinabstimmen.

Auf einem Franka FR3: einfaches BC-Pretraining auf https://t.co/RJGbCqqnNA

4/7 Wichtigste Erkenntnisse

• Wie die Qualität genutzt wird, ist entscheidend. Eine ansatzbewusste Episodenkonditionierung verbessert den mittleren Erfolg gegenüber einfachem Behavioral Cloning (BC) bei allen drei VLAs: mittlere relative Zugewinne von +3,9 %, +23,4 % und +5,6 % über drei Trainings-Seeds hinweg (π₀.₅, SmolVLA, X-VLA).

• Granularität https://t.co/PWoi9hpmnt

3/7 Versuchsaufbau

Wir vergleichen drei qualitätsbewusste Ansätze: Gewichtung, Filterung und Konditionierung, anhand zweier Belohnungsdefinitionen (objektzentriert und ansatzbewusst) und zweier Labelgranularitäten (Episode und Aktionsabschnitt).

Die kontrollierte Studie verwendet 5.000 Simulationen https://t.co/ATyOleyayw

2/7 Die Idee

Von Menschen ausgeführte Demonstrationen enthalten oft Zögern, Umwege und ungleichmäßige Fortschritte. Sollte eine VLA jedoch suboptimale Abschnitte verwerfen, geringer gewichten oder lernen, ihre Qualität zu berücksichtigen?

AXIS-Bench baut auf crowdsourced Simulationsdemonstrationen mit aufgezeichneten Objekten und https://t.co/LjrXBsIkl8

Wie sollten VLAs aus von Natur aus suboptimalen Roboterdemonstrationen lernen?

Wir stellen AXIS-Bench vor: Was beim qualitätsbewussten VLA-Pretraining zählt – ein Benchmark und eine empirische Studie dazu, wie die Qualität von Demonstrationen beim Pretraining definiert, gekennzeichnet und genutzt werden sollte.

Mit drei VLAs https://t.co/0h0qloxBEL