Axis Robotics

Mise à jour du produit 🛠️

Nous avons réduit le nombre de créneaux de tâches ouverts. Voici pourquoi.

1️⃣ GPT-6 peut désormais résoudre des tâches simples et générer des trajectoires fiables pour celles-ci. Nous continuerons à réduire le travail de collecte répétitif.
2️⃣ Les démonstrations humaines de haute qualité restent essentielles https://t.co/nCXR4P1m4J

Mise à jour du produit 🛠️

Nous avons réduit le nombre de créneaux de tâches disponibles. Voici pourquoi.

1️⃣ GPT-6 peut désormais résoudre des tâches simples et générer des trajectoires fiables pour celles-ci.
2️⃣ Les démonstrations humaines de haute qualité restent essentielles pour les tâches complexes. Elles ont beaucoup plus de valeur que https://t.co/UuTVBuIGQz

Liens 7/7

Explorez AXIS-Bench et nos autres ressources de données :

Ressources du projet :
Page du projet : https://t.co/9pvWoFdRzu
Article : https://t.co/6Irf55g2d5
Code : https://t.co/ONkJ4k41qL
Essayez Axis Hub : https://t.co/brRVGQrYVQ

Jeux de données :
Jeu de données Axis V2 : https://t.co/se54ZroQe4 https://t.co/BdFhBbhaxj

6/7 Publication des données

Axis Dataset V1 a été lancé en août. Depuis, nous avons créé Dataset V2, qui couvre désormais 1 092 tâches et 2,35 M d’épisodes (avec augmentation des données de caméra). Les jeux de données associés utilisés dans AXIS-Bench sont tous issus du pool V2 :

• Jeu de données de préentraînement. 5 000 simulations https://t.co/U7FM0ja7T3

5/7 De la simulation au réel

AXIS-Bench comprend également un workflow de référence et une baseline pour les expériences en conditions réelles : aligner les caméras simulées et l’espace de travail, effectuer un nouveau rendu des démonstrations enregistrées et affiner le modèle à partir d’un petit ensemble de démonstrations réelles.

Sur un Franka FR3, préentraînement BC classique sur https://t.co/RJGbCqqnNA

4/7 Principaux résultats

• La façon dont la qualité est utilisée compte. Le conditionnement des épisodes tenant compte de l’approche améliore le taux de réussite moyen par rapport à l’imitation comportementale classique (BC) pour les trois VLA : gains relatifs moyens de +3,9 %, +23,4 % et +5,6 % sur trois graines d’entraînement (π₀.₅, SmolVLA, X-VLA).

• Granularité https://t.co/PWoi9hpmnt

3/7 Configuration de l’expérience

Nous comparons trois approches tenant compte de la qualité : la pondération, le filtrage et le conditionnement, selon deux définitions de la récompense (centrée sur l’objet et tenant compte de l’approche) et deux niveaux de granularité des étiquettes (épisode et segment d’action).

L’étude contrôlée utilise 5 000 simulations https://t.co/ATyOleyayw

2/7 L’idée

Les démonstrations humaines comportent souvent des hésitations, des détours et une progression irrégulière. Mais un VLA doit-il écarter les segments sous-optimaux, leur accorder moins de poids ou apprendre à tenir compte de leur qualité ?

AXIS-Bench s’appuie sur des démonstrations de simulation participatives, avec des objets enregistrés et https://t.co/LjrXBsIkl8

Comment les VLA devraient-ils apprendre à partir de démonstrations robotiques naturellement sous-optimales ?

Présentation d’AXIS-Bench : ce qui compte dans le préentraînement des VLA tenant compte de la qualité, un benchmark et une étude empirique sur la manière dont la qualité des démonstrations devrait être définie, étiquetée et utilisée pendant le préentraînement.

Sur trois VLA https://t.co/0h0qloxBEL