Axis Robotics

Atualização do produto 🛠️

Reduzimos o número de vagas para tarefas abertas. Veja por quê.

1️⃣ O GPT-6 agora consegue resolver tarefas simples e gerar trajetórias confiáveis para elas. À medida que avançamos, reduziremos ainda mais o trabalho repetitivo de coleta.
2️⃣ As demonstrações humanas de alta qualidade continuam sendo essenciais https://t.co/nCXR4P1m4J

Atualização do produto 🛠️

Reduzimos o número de vagas abertas para tarefas. Veja por quê.

1️⃣ O GPT-6 agora consegue resolver tarefas simples e gerar trajetórias confiáveis para elas.
2️⃣ Demonstrações humanas de alta qualidade continuam sendo essenciais para tarefas complexas. Essas demonstrações têm muito mais valor do que https://t.co/UuTVBuIGQz

Links 7/7

Explore o AXIS-Bench e nossos recursos de dados mais abrangentes:

Recursos do projeto:
Página do projeto: https://t.co/9pvWoFdRzu
Artigo: https://t.co/6Irf55g2d5
Código: https://t.co/ONkJ4k41qL
Experimente o Axis Hub: https://t.co/brRVGQrYVQ

Conjuntos de dados:
Axis Dataset V2: https://t.co/se54ZroQe4 https://t.co/BdFhBbhaxj

6/7 Lançamento de dados

O Axis Dataset V1 foi lançado em agosto. Desde então, criamos o Dataset V2, que agora abrange 1.092 tarefas e 2,35 milhões de episódios (incluindo aumento de dados de câmera). Os conjuntos de dados complementares usados no AXIS-Bench são todos selecionados do conjunto V2:

• Conjunto de dados de pré-treinamento. 5.000 simulados https://t.co/U7FM0ja7T3

5/7 Da simulação ao mundo real

O AXIS-Bench também inclui um fluxo de trabalho de referência e uma linha de base para experimentos no mundo real: alinhe as câmeras simuladas e o espaço de trabalho, renderize novamente as demonstrações gravadas e faça o ajuste fino com um pequeno conjunto de demonstrações reais.

Em uma Franka FR3, pré-treinamento simples de BC em https://t.co/RJGbCqqnNA

4/7 Principais conclusões

• A forma como a qualidade é usada importa. O condicionamento de episódios consciente da abordagem melhora a taxa média de sucesso em relação à clonagem comportamental simples (BC) nas três VLAs: ganhos relativos médios de +3,9%, +23,4% e +5,6% em três sementes de treinamento (π₀.₅, SmolVLA, X-VLA).

• Granularidade https://t.co/PWoi9hpmnt

3/7 Configuração do experimento

Comparamos três abordagens sensíveis à qualidade: ponderação, filtragem e condicionamento, considerando duas definições de recompensa (centrada no objeto e sensível à abordagem) e duas granularidades de rótulos (episódio e segmento de ação).

O estudo controlado usa 5.000 simulações https://t.co/ATyOleyayw

2/7 A ideia

Demonstrações humanas muitas vezes contêm hesitações, desvios e progresso irregular. Mas será que uma VLA deve descartar trechos abaixo do ideal, atribuir-lhes menos peso ou aprender a levar em conta sua qualidade?

O AXIS-Bench se baseia em demonstrações de simulação obtidas por crowdsourcing, com objetos registrados e https://t.co/LjrXBsIkl8

Como as VLAs devem aprender com demonstrações robóticas naturalmente subótimas?

Apresentamos o AXIS-Bench: O que importa no pré-treinamento de VLA sensível à qualidade, um benchmark e estudo empírico sobre como a qualidade das demonstrações deve ser definida, rotulada e utilizada durante o pré-treinamento.

Em três VLAs https://t.co/0h0qloxBEL