Axis Robotics

Actualización del producto 🛠️

Hemos reducido el número de tareas abiertas. Te explicamos por qué.

1️⃣ GPT-6 ahora puede resolver tareas sencillas y generar trayectorias fiables para ellas. Seguiremos reduciendo el trabajo de recopilación repetitivo.
2️⃣ Las demostraciones humanas de alta calidad siguen siendo esenciales https://t.co/nCXR4P1m4J

Actualización del producto 🛠️

Hemos reducido el número de espacios disponibles para tareas. Aquí te contamos por qué.

1️⃣ GPT-6 ahora puede resolver tareas sencillas y generar trayectorias fiables para ellas.
2️⃣ Las demostraciones humanas de alta calidad siguen siendo esenciales para las tareas complejas. Estas demostraciones tienen mucho más valor que https://t.co/UuTVBuIGQz

Enlaces 7/7

Explora AXIS-Bench y nuestros recursos de datos más amplios:

Recursos del proyecto:
Página del proyecto: https://t.co/9pvWoFdRzu
Artículo: https://t.co/6Irf55g2d5
Código: https://t.co/ONkJ4k41qL
Prueba Axis Hub: https://t.co/brRVGQrYVQ

Conjuntos de datos:
Conjunto de datos de Axis V2: https://t.co/se54ZroQe4 https://t.co/BdFhBbhaxj

6/7 Publicación de datos

Axis Dataset V1 se lanzó en agosto. Desde entonces, hemos creado Dataset V2, que ahora abarca 1.092 tareas y 2,35 millones de episodios (incluido el aumento de datos de cámara). Todos los conjuntos de datos complementarios que se utilizan en AXIS-Bench se han seleccionado del conjunto de V2:

• Conjunto de datos de preentrenamiento. 5.000 simulados https://t.co/U7FM0ja7T3

5/7 De la simulación a la realidad

AXIS-Bench también incluye un flujo de trabajo de referencia y una línea base para experimentos en el mundo real: alinear las cámaras simuladas y el espacio de trabajo, volver a renderizar las demostraciones grabadas y ajustar el modelo con un pequeño conjunto de demostraciones reales.

En una Franka FR3, preentrenamiento de BC simple en https://t.co/RJGbCqqnNA

4/7 Hallazgos clave

• La forma de utilizar la calidad importa. El condicionamiento de episodios que tiene en cuenta el enfoque mejora el éxito medio frente a la clonación conductual simple (BC) en los tres VLA: ganancias relativas medias de +3,9 %, +23,4 % y +5,6 % en tres semillas de entrenamiento (π₀.₅, SmolVLA, X-VLA).

• Granularidad https://t.co/PWoi9hpmnt

3/7 Configuración del experimento

Comparamos tres enfoques que tienen en cuenta la calidad: ponderación, filtrado y condicionamiento, con dos definiciones de recompensa (centrada en los objetos y sensible al enfoque) y dos granularidades de etiquetado (episodio y segmento de acciones).

El estudio controlado utiliza 5,000 simulaciones https://t.co/ATyOleyayw

2/7 La idea

Las demostraciones humanas suelen contener vacilaciones, desvíos y avances irregulares. Pero ¿debería una VLA descartar los segmentos subóptimos, darles menos peso o aprender a tener en cuenta su calidad?

AXIS-Bench se basa en demostraciones de simulación colaborativas con objetos registrados y https://t.co/LjrXBsIkl8

¿Cómo deberían aprender los VLA de demostraciones robóticas naturalmente subóptimas?

Presentamos AXIS-Bench: Qué importa en el preentrenamiento de VLA con conciencia de la calidad, un benchmark y estudio empírico sobre cómo se debe definir, etiquetar y utilizar la calidad de las demostraciones durante el preentrenamiento.

En tres VLA https://t.co/0h0qloxBEL