Axis Robotics

Mahsulot yangilanishi 🛠️

Ochiq vazifa o‘rinlari sonini kamaytirdik. Buning sababi:

1️⃣ GPT-6 endi oddiy vazifalarni bajara oladi va ular uchun ishonchli harakat ketma-ketliklarini yaratadi. Ishni davom ettirar ekanmiz, takroriy ma’lumot yig‘ish ishlarini yanada kamaytiramiz.
2️⃣ Insonlar tomonidan taqdim etiladigan yuqori sifatli namoyishlar hamon muhim https://t.co/nCXR4P1m4J

Mahsulot yangilanishi 🛠️

Ochiq vazifa slotlari sonini kamaytirdik. Sababi:

1️⃣ GPT-6 endi oddiy vazifalarni bajara oladi va ular uchun ishonchli traektoriyalar yaratadi.
2️⃣ Murakkab vazifalar uchun insonlar tomonidan yuqori sifatli namoyishlar ko‘rsatish muhimligicha qolmoqda. Bu namoyishlar https://t.co/UuTVBuIGQz dan ancha qimmatlidir

7/7 Havolalar

AXIS-Bench va boshqa maʼlumotlar resurslarimiz bilan tanishing:

Loyiha resurslari:
Loyiha sahifasi: https://t.co/9pvWoFdRzu
Maqola: https://t.co/6Irf55g2d5
Kod: https://t.co/ONkJ4k41qL
Axis Hub’ni sinab ko‘ring: https://t.co/brRVGQrYVQ

Maʼlumotlar to‘plamlari:
Axis Dataset V2: https://t.co/se54ZroQe4 https://t.co/BdFhBbhaxj

6/7 Ma’lumotlar relizi

Axis Dataset V1 avgust oyida ishga tushirildi. Shundan beri biz Dataset V2’ni yaratdik. U endi 1 092 ta vazifa va 2,35 millionta epizodni qamrab oladi (kamera augmentatsiyasi ham kiritilgan). AXIS-Bench’da ishlatiladigan barcha qo‘shimcha datasetlar V2 to‘plamidan saralab olingan:

• Pretraining dataset. 5 000 ta simulyatsiya qilingan https://t.co/U7FM0ja7T3

5/7 Simulyatsiyadan real dunyoga

AXIS-Bench real dunyo tajribasi uchun ham namunaviy ish jarayoni va bazaviy modelni o‘z ichiga oladi: simulyatsiyadagi kameralar va ish maydonini moslang, yozib olingan namoyishlarni qayta render qiling va real namoyishlarning kichik to‘plamida nozik sozlang.

Franka FR3 robotida https://t.co/RJGbCqqnNA ma’lumotlari asosida oddiy BC bilan oldindan o‘qitish

4/7 Asosiy natijalar

• Sifatdan qanday foydalanish muhim. Yondashuvdan xabardor epizodni shartlash uchala VLA’da ham oddiy xulq-atvorni klonlash (BC) usuliga nisbatan o‘rtacha muvaffaqiyat ko‘rsatkichini oshiradi: uchta trening seed’i bo‘yicha o‘rtacha nisbiy o‘sish +3.9%, +23.4% va +5.6% (π₀.₅, SmolVLA, X-VLA).

• Donadorlik https://t.co/PWoi9hpmnt

3/7 Tajriba sozlamalari

Biz ikki xil mukofot ta’rifi (obyektga yo‘naltirilgan va yondashuvni hisobga oluvchi) hamda ikki xil yorliq batafsilligi (epizod va harakat bo‘lagi) doirasida sifatni hisobga oluvchi uchta yondashuvni taqqoslaymiz: vaznlash, filtrlash va shartlash.

Nazoratli tadqiqotda 5 000 ta simulyatsiyadan foydalaniladi https://t.co/ATyOleyayw

2/7 G‘oya

Inson namoyishlarida ko‘pincha ikkilanish, chekinishlar va notekis rivojlanish kuzatiladi. Ammo VLA maqbul bo‘lmagan segmentlarni chiqarib tashlashi, ularga kamroq vazn berishi yoki ularning sifatini hisobga olgan holda o‘rganishi kerakmi?

AXIS-Bench ommaviy hamkorlik orqali yig‘ilgan simulyatsiya namoyishlariga asoslanadi, ularda obyekt va https://t.co/LjrXBsIkl8

VLA’lar tabiiy ravishda nomukammal robot namoyishlaridan qanday o‘rganishi kerak?

AXIS-Bench bilan tanishing: Sifatni hisobga oluvchi VLA pretreningida nimalar muhim — pretrening jarayonida namoyishlar sifati qanday belgilanishi, yorliqlanishi va qo‘llanishi kerakligini o‘rganuvchi benchmark va empirik tadqiqot.

Uchta VLA bo‘yicha https://t.co/0h0qloxBEL