Axis Robotics

製品アップデート 🛠️

未完了タスクの枠数を減らしました。その理由をご説明します。

1️⃣ GPT-6は、簡単なタスクを解決し、そのための信頼性の高い軌跡を生成できるようになりました。今後、重複するデータ収集作業をさらに減らしていきます。
2️⃣ 高品質な人間によるデモンストレーションは、引き続き不可欠です https://t.co/nCXR4P1m4J

製品アップデート 🛠️

利用可能なタスク枠の数を減らしました。その理由をご説明します。

1️⃣ GPT-6は、簡単なタスクを解決し、そのタスクに対する信頼性の高い軌跡を生成できるようになりました。
2️⃣ 複雑なタスクには、質の高い人間による実演が引き続き不可欠です。こうした実演は、https://t.co/UuTVBuIGQzよりもはるかに大きな価値があります

7/7 リンク

AXIS-Benchやその他のデータリソースをご覧ください：

プロジェクト関連リソース：
プロジェクトページ：https://t.co/9pvWoFdRzu
論文：https://t.co/6Irf55g2d5
コード：https://t.co/ONkJ4k41qL
Axis Hubを試す：https://t.co/brRVGQrYVQ

データセット：
Axis Dataset V2：https://t.co/se54ZroQe4 https://t.co/BdFhBbhaxj

6/7 データの公開

Axis Dataset V1は8月に公開されました。その後、1,092のタスクと235万のエピソード（カメラ拡張を含む）を網羅するDataset V2を構築しました。AXIS-Benchで使用される関連データセットは、すべてV2のデータから厳選されています。

• 事前学習データセット。シミュレーションデータ5,000件 https://t.co/U7FM0ja7T3

5/7 シミュレーションから実環境へ

AXIS-Benchには、実環境での実験用のリファレンスワークフローとベースラインも含まれています。シミュレーション内のカメラと作業空間を調整し、記録したデモを再レンダリングして、少数の実環境デモでファインチューニングします。

Franka FR3での、https://t.co/RJGbCqqnNA における通常のBC事前学習

4/7 主な知見

• 品質の活用方法が重要です。アプローチを考慮したエピソード条件付けにより、3つのVLAすべてで、単純な行動クローニング（BC）よりも平均成功率が向上します。3つの学習シードにおける平均相対改善率は、π₀.₅、SmolVLA、X-VLAの順に+3.9%、+23.4%、+5.6%です。

• 粒度 https://t.co/PWoi9hpmnt

3/7 実験設定

品質を考慮した3つのアプローチ、重み付け、フィルタリング、条件付けを、2種類の報酬定義（物体中心型とアプローチ考慮型）および2種類のラベル粒度（エピソード単位とアクションチャンク単位）で比較します。

この統制実験では、5,000回のシミュレーションを使用します https://t.co/ATyOleyayw

2/7 アイデア

人間のデモには、ためらいや寄り道、進捗のばらつきがよく見られます。しかし、VLAは最適でない区間を破棄すべきでしょうか、それとも重みを下げるべきでしょうか、あるいはその質を条件として学習すべきでしょうか？

AXIS-Benchは、物体と https://t.co/LjrXBsIkl8 が記録された、クラウドソーシングによるシミュレーションデモを基盤としています

VLAは、自然に最適とは言えないロボットの実演から、どのように学ぶべきでしょうか？

AXIS-Benchのご紹介：品質を考慮したVLAの事前学習で重要なこと。事前学習において、実演の品質をどのように定義し、ラベル付けし、活用すべきかを検証するベンチマークと実証研究です。

3つのVLAを対象に https://t.co/0h0qloxBEL