Axis Robotics

Cập nhật sản phẩm 🛠️

Chúng tôi đã giảm số lượng suất nhiệm vụ đang mở. Đây là lý do.

1️⃣ GPT-6 hiện có thể giải quyết các nhiệm vụ đơn giản và tạo ra các quỹ đạo đáng tin cậy cho chúng. Chúng tôi sẽ tiếp tục giảm khối lượng công việc thu thập lặp đi lặp lại trong thời gian tới.
2️⃣ Các bản minh họa chất lượng cao của con người vẫn rất cần thiết https://t.co/nCXR4P1m4J

Cập nhật sản phẩm 🛠️

Chúng tôi đã giảm số lượng vị trí nhiệm vụ đang mở. Đây là lý do.

1️⃣ GPT-6 hiện có thể giải quyết các nhiệm vụ đơn giản và tạo ra các quỹ đạo đáng tin cậy cho chúng.
2️⃣ Các bản trình diễn chất lượng cao của con người vẫn rất cần thiết cho những nhiệm vụ phức tạp. Những bản trình diễn này có giá trị hơn nhiều so với https://t.co/UuTVBuIGQz

7/7 Liên kết

Khám phá AXIS-Bench và các tài nguyên dữ liệu khác của chúng tôi:

Tài nguyên dự án:
Trang dự án: https://t.co/9pvWoFdRzu
Bài báo: https://t.co/6Irf55g2d5
Mã nguồn: https://t.co/ONkJ4k41qL
Dùng thử Axis Hub: https://t.co/brRVGQrYVQ

Bộ dữ liệu:
Bộ dữ liệu Axis V2: https://t.co/se54ZroQe4 https://t.co/BdFhBbhaxj

6/7 Phát hành dữ liệu

Axis Dataset V1 ra mắt vào tháng 8. Kể từ đó, chúng tôi đã xây dựng Dataset V2, hiện bao gồm 1.092 tác vụ và 2,35 triệu episode (bao gồm cả tăng cường dữ liệu camera). Các bộ dữ liệu đi kèm được sử dụng trong AXIS-Bench đều được tuyển chọn từ nguồn dữ liệu V2:

• Bộ dữ liệu tiền huấn luyện. 5.000 mô phỏng https://t.co/U7FM0ja7T3

5/7 Từ mô phỏng đến thực tế

AXIS-Bench cũng bao gồm một quy trình tham chiếu và mô hình cơ sở cho các thí nghiệm trong thế giới thực: căn chỉnh camera mô phỏng và không gian làm việc, kết xuất lại các bản ghi thao tác đã thu thập, rồi tinh chỉnh trên một tập nhỏ các bản ghi thao tác thực tế.

Trên Franka FR3, tiền huấn luyện BC thuần túy trên https://t.co/RJGbCqqnNA

4/7 Phát hiện chính

• Cách sử dụng chất lượng rất quan trọng. Điều kiện hóa theo từng tập có xét đến cách tiếp cận giúp cải thiện tỷ lệ thành công trung bình so với học bắt chước hành vi đơn thuần (BC) ở cả ba VLA: mức tăng tương đối trung bình lần lượt là +3.9%, +23.4% và +5.6% qua ba lần chạy huấn luyện (π₀.₅, SmolVLA, X-VLA).

• Mức độ chi tiết https://t.co/PWoi9hpmnt

3/7 Thiết lập thí nghiệm

Chúng tôi so sánh ba phương pháp có tính đến chất lượng: gán trọng số, lọc và điều kiện hóa, với hai định nghĩa phần thưởng (lấy vật thể làm trung tâm và nhận biết hướng tiếp cận) cùng hai mức độ chi tiết của nhãn (theo tập và theo đoạn hành động).

Nghiên cứu có kiểm soát sử dụng 5.000 mô phỏng https://t.co/ATyOleyayw

2/7 Ý tưởng

Các thao tác do con người thực hiện thường có những lúc do dự, đi đường vòng và tiến độ không đồng đều. Nhưng VLA nên loại bỏ các phân đoạn chưa tối ưu, giảm trọng số của chúng hay học cách điều kiện hóa theo chất lượng của chúng?

AXIS-Bench được xây dựng dựa trên các thao tác mô phỏng do cộng đồng đóng góp, có ghi lại vật thể và https://t.co/LjrXBsIkl8

VLA nên học hỏi như thế nào từ các màn trình diễn robot vốn chưa tối ưu?

Giới thiệu AXIS-Bench: Điều gì quan trọng trong tiền huấn luyện VLA có nhận biết chất lượng — một bộ tiêu chuẩn và nghiên cứu thực nghiệm về cách xác định, gán nhãn và sử dụng chất lượng trình diễn trong quá trình tiền huấn luyện.

Trên ba VLA https://t.co/0h0qloxBEL