Axis Robotics

Pembaruan Produk 🛠️

Kami telah mengurangi jumlah slot tugas yang terbuka. Berikut alasannya.

1️⃣ GPT-6 kini dapat menyelesaikan tugas sederhana dan menghasilkan rangkaian langkah yang andal untuk tugas tersebut. Ke depannya, kami akan semakin mengurangi pekerjaan pengumpulan data yang berulang.
2️⃣ Demonstrasi berkualitas tinggi dari manusia tetap penting https://t.co/nCXR4P1m4J

Pembaruan Produk 🛠️

Kami telah mengurangi jumlah slot tugas yang tersedia. Berikut alasannya.

1️⃣ GPT-6 kini dapat menyelesaikan tugas sederhana dan menghasilkan rangkaian langkah yang andal untuk tugas tersebut.
2️⃣ Demonstrasi berkualitas tinggi dari manusia tetap penting untuk tugas yang kompleks. Demonstrasi ini jauh lebih bernilai daripada https://t.co/UuTVBuIGQz

7/7 Tautan

Jelajahi AXIS-Bench dan berbagai sumber data kami:

Sumber Daya Proyek:
Halaman proyek: https://t.co/9pvWoFdRzu
Makalah: https://t.co/6Irf55g2d5
Kode: https://t.co/ONkJ4k41qL
Coba Axis Hub: https://t.co/brRVGQrYVQ

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

6/7 Peluncuran Data

Axis Dataset V1 diluncurkan pada bulan Agustus. Sejak itu, kami telah membuat Dataset V2, yang kini mencakup 1.092 tugas dan 2,35 juta episode (termasuk augmentasi kamera). Dataset pendamping yang digunakan dalam AXIS-Bench semuanya dikurasi dari kumpulan V2:

• Dataset prapelatihan. 5.000 simulasi https://t.co/U7FM0ja7T3

5/7 Simulasi ke Nyata

AXIS-Bench juga menyertakan alur kerja referensi dan baseline untuk eksperimen di dunia nyata: selaraskan kamera dan ruang kerja simulasi, render ulang demonstrasi yang direkam, lalu lakukan fine-tuning menggunakan sejumlah kecil demonstrasi nyata.

Pada Franka FR3, prapelatihan BC biasa pada https://t.co/RJGbCqqnNA

4/7 Temuan Utama

• Cara kualitas digunakan itu penting. Pengondisian episode yang mempertimbangkan pendekatan meningkatkan rata-rata keberhasilan dibandingkan peniruan perilaku biasa (BC) pada ketiga VLA: peningkatan relatif rata-rata +3,9%, +23,4%, dan +5,6% dari tiga seed pelatihan (π₀.₅, SmolVLA, X-VLA).

• Granularitas https://t.co/PWoi9hpmnt

3/7 Pengaturan Eksperimen

Kami membandingkan tiga pendekatan yang mempertimbangkan kualitas: pembobotan, penyaringan, dan pengondisian, berdasarkan dua definisi reward (berpusat pada objek dan berorientasi pada pendekatan) serta dua tingkat granularitas label (episode dan potongan aksi).

Studi terkontrol ini menggunakan 5.000 simulasi https://t.co/ATyOleyayw

2/7 Gagasan

Demonstrasi manusia sering kali berisi keraguan, penyimpangan, dan kemajuan yang tidak merata. Namun, haruskah VLA membuang segmen yang kurang optimal, memberi bobot lebih rendah pada segmen tersebut, atau belajar menyesuaikan diri berdasarkan kualitasnya?

AXIS-Bench dibangun berdasarkan demonstrasi simulasi yang dikumpulkan dari banyak orang, dengan objek yang direkam dan https://t.co/LjrXBsIkl8

Bagaimana VLA sebaiknya belajar dari demonstrasi robot yang secara alami kurang optimal?

Memperkenalkan AXIS-Bench: Hal yang Penting dalam Prapelatihan VLA yang Mempertimbangkan Kualitas, sebuah tolok ukur dan studi empiris tentang bagaimana kualitas demonstrasi sebaiknya didefinisikan, diberi label, dan digunakan selama prapelatihan.

Pada tiga VLA https://t.co/0h0qloxBEL