Axis Robotics

Верифіковано на Square

The Data Engine accelerating Physical AI Robot intelligence isn't built by a few — it's built by all.

1 Підписки

1 Підписники

0 Вподобань

Публікації

Axis Robotics

Оновлення продукту 🛠️

Ми зменшили кількість відкритих слотів для завдань. Ось чому.

1️⃣ GPT-6 тепер може розв’язувати прості завдання та створювати для них надійні траєкторії. Надалі ми ще більше скорочуватимемо обсяг повторюваної роботи зі збору даних.
2️⃣ Якісні демонстрації від людей залишаються важливими https://t.co/nCXR4P1m4J

Axis Robotics

Оновлення продукту 🛠️

Ми зменшили кількість відкритих слотів для завдань. Ось чому.

1️⃣ GPT-6 тепер може розв’язувати прості завдання та створювати для них надійні траєкторії.
2️⃣ Якісні демонстрації від людей залишаються необхідними для складних завдань. Вони мають набагато більшу цінність, ніж https://t.co/UuTVBuIGQz

Axis Robotics

7/7 Посилання

Ознайомтеся з AXIS-Bench та ширшими ресурсами даних:

Ресурси проєкту:
Сторінка проєкту: https://t.co/9pvWoFdRzu
Стаття: https://t.co/6Irf55g2d5
Код: https://t.co/ONkJ4k41qL
Спробуйте Axis Hub: https://t.co/brRVGQrYVQ

Набори даних:
Набір даних Axis V2: https://t.co/se54ZroQe4 https://t.co/BdFhBbhaxj

Axis Robotics

6/7 Реліз даних

Axis Dataset V1 запустили в серпні. Відтоді ми створили Dataset V2, який тепер охоплює 1,092 завдання та 2.35M епізодів (зокрема з розширенням даних із камер). Усі супровідні набори даних, що використовуються в AXIS-Bench, відібрані з пулу V2:

• Набір даних для попереднього навчання. 5,000 симульованих https://t.co/U7FM0ja7T3

Axis Robotics

5/7 Від симуляції до реальності

AXIS-Bench також містить референсний робочий процес і базовий підхід для експериментів у реальному світі: узгодьте симульовані камери та робочий простір, повторно відрендерте записані демонстрації та донавчіть модель на невеликому наборі реальних демонстрацій.

На Franka FR3 — попереднє навчання звичайним методом BC на https://t.co/RJGbCqqnNA

Axis Robotics

4/7 Ключові висновки

• Важливо, як використовується якість. Обумовлення епізодів з урахуванням підходу підвищує середній показник успішності порівняно зі звичайним поведінковим клонуванням (BC) для всіх трьох VLA: середній відносний приріст становить +3,9%, +23,4% і +5,6% за трьома сідами навчання (π₀.₅, SmolVLA, X-VLA).

• Рівень деталізації https://t.co/PWoi9hpmnt

Axis Robotics

3/7 Налаштування експерименту

Ми порівнюємо три підходи з урахуванням якості: зважування, фільтрування та кондиціювання — за двома визначеннями винагороди (орієнтованим на об’єкт і з урахуванням підходу) та двома рівнями деталізації міток (епізод і фрагмент дії).

Контрольоване дослідження використовує 5,000 симуляцій https://t.co/ATyOleyayw

Axis Robotics

2/7 Ідея

Демонстрації людей часто містять вагання, відхилення від маршруту й нерівномірний прогрес. Але чи має VLA відкидати неоптимальні фрагменти, знижувати їхню вагу чи навчатися враховувати їхню якість?

AXIS-Bench базується на демонстраціях симуляцій, зібраних краудсорсингом, із записаними об’єктами та https://t.co/LjrXBsIkl8

Axis Robotics

Як VLA мають навчатися на природно неоптимальних демонстраціях робота?

Представляємо AXIS-Bench: «Що важливо під час попереднього навчання VLA з урахуванням якості» — бенчмарк і емпіричне дослідження того, як слід визначати та розмічати якість демонстрацій і використовувати їх під час попереднього навчання.

На прикладі трьох VLA https://t.co/0h0qloxBEL

Увійдіть, щоб переглянути інший контент

Axis Robotics

Трендові теми